L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2575

Nuovo commento
 
Aleksey Nikolayev #:

Nell'articolo Kalman viene testato sui dati generati. Non sono sicuro che sarà meglio della versione scorrevole LS su dati reali.

No, no, sui dati reali, tutto è giusto Y_.

head(Y_)
                EWH      EWZ
2000-08-01 1.947204 2.298111
2000-08-02 1.971071 2.285039
2000-08-03 1.994382 2.278438
2000-08-04 1.994382 2.317404
2000-08-07 2.012648 2.317404
2000-08-08 1.985123 2.317404

Ecco la mu e la gamma sui dati Y_.

Kalman <- estimate_mu_gamma_Kalman(Y_)

e il backtest con idati Y_. 

return_Kalman <- pairs_trading(Y_["::2003-03"], Kalman$gamma["::2003-03"], Kalman$mu["::2003-03"], 
                               "Kalman", plot = TRUE)



Ma il punto è che nellastima_mu_gamma....blahblah

La regressione e la rolling regression sono divise in trace e test, è come se ci fosse un modello per prevedere nuovi dati (nuovo spread), ma per calman non c'è, non capisco come funziona all'interno, come costruire lo spread con nuovi dati con calman. Il codice è così poco chiaro che mi sanguinano gli occhi.

 
mytarmailS #:

Non ci capisco niente con questo kalman((

Ci sono comunque tutte e tre le strategie da svelare, probabilmente è più facile svelare la seconda prima di kalman - ha lo stesso principio - adattabilità nel tempo, ma è più semplice.

 
Andrei Trukhanovich #:

Ci sono comunque tutte e tre le strategie da decifrare, probabilmente è più facile decifrare la seconda prima di Kalman - ha lo stesso principio - adattabilità nel tempo, ma è più semplice.

No, Andrei, la seconda funziona molto male.

Ci sono anche coppie molto buone prese ... Se si prende la realtà, se Dio vuole, quel Kalman mostrerà qualcosa.

 
mytarmailS #:

No Andrei, il secondo funziona molto male.

Ci sono alcune coppie molto buone prese ... Se prendiamo la realtà, Dio non voglia che Kalman mostri qualcosa.

Quindi questa immagine è un confronto sui dati simulati. Sui dati reali lì alla fine e sul loro primo tempo il calman è anche leggermente peggiore.

In parole povere, alcune assunzioni a priori sono fatte per kalman e se sono vere nella realtà allora kalman sarà molto meglio e viceversa.

 
Aleksey Nikolayev #:

Approssimativamente, alcune assunzioni a priori sono fatte per il Kalman e se sono vere nella realtà, il Kalman sarà molto meglio e viceversa.

Non credo. Stava solo simulando i dati per divertimento...

Ecco l'addestramento dei modelli sui dati reali Y_.

LS <- estimate_mu_gamma_LS(Y_)
rolling_LS <- estimate_mu_gamma_rolling_LS(Y_)
Kalman <- estimate_mu_gamma_Kalman(Y_)

poi ottenere gli spread.

spread_LS <- compute_spread(Y_, LS$gamma, LS$mu, "LS")
spread_rolling_LS <- compute_spread(Y_, rolling_LS$gamma, rolling_LS$mu, "rolling-LS")
spread_Kalman <- compute_spread(Y_, Kalman$gamma, Kalman$mu, "Kalman")

poi il backtest.


Non hai allenato Kalman su dati sintetici prima del vero backtest.

 
mytarmailS #:

Non credo. Stava solo simulando i dati per divertimento.

Ecco l'addestramento dei modelli sui dati reali Y_.

poi ottenere gli spread.

poi il backtest.


Non hai addestrato Kalman su dati sintetici prima del vero backtest.

I presupposti a priori sono in primo luogo un modello lineare memorizzato nel pacchetto (descritto all'inizio della sezione Kalman) e in secondo luogo i parametri di inizializzazione di questo modello sono presi, in generale, dal soffitto.

 
mytarmailS #:

No Andrei, il secondo rollingLS è molto cattivo.

Non proprio. Se guardate i grafici precedenti, potete vedere che l'effettivo "rotolamento" si attiva dopo che è passato ~ un terzo del campione. sui dati reali se c'è una storia non ci sarà questo problema.

Ma taki Kalman è probabilmente ancora meglio, ma penso ancora che sia meglio dividerlo dalla stufa.

 
mytarmailS #:

Sì... soprattutto se sei un umanitario.

Non è una foresta sugli iris).


Niente con questo kalman è chiaro((

Si conta la MA (aka Kalman) sullo spread risultante, smussando il "rumore", naturalmente
 
Maxim Dmitrievsky #:
MAshku (aka Kalman) conta sullo spread risultante, smussando il "rumore", naturalmente

https://datascienceplus.com/kalman-filter-modelling-time-series-shocks-with-kfas-in-r/

Kalman non è un mashka!
Kalman Filter: Modelling Time Series Shocks with KFAS in R | DataScience+
  • Python and R tutorials
  • datascienceplus.com
When it comes to time series forecasts, conventional models such as ARIMA are often a popular option. While these models can prove to have high degrees of accuracy, they have one major shortcoming – they do not typically account for “shocks”, or sudden changes in a time series. Let’s see how we can potentially alleviate this problem using a...
 
mytarmailS #:

https://datascienceplus.com/kalman-filter-modelling-time-series-shocks-with-kfas-in-r/

Abbiamo già percorso questa strada con Rena e il trattore, con esempi delle loro previsioni a 1 bar ))))) Sto ridendo

In un modo sarà avanti, nell'altro sarà indietro. 50/50 in totale.

1...256825692570257125722573257425752576257725782579258025812582...3399
Nuovo commento