L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3227
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Sembra che un grafico di ottimizzazione possa mostrare quanto sia difficile il processo di ricerca. Quindi, ecco a voi.
Grafico della ricerca di uno schema nella serie originale.
Onestamente, non vedo una differenza notevole. Questo grafico non sembra dirci nulla di interessante.
Purtroppo, queste sono tutte ipotesi che devono essere realizzate e testate.
@Maxim Dmitrievsky sta provando le sue opzioni, io sto provando le mie.Sì, certo, ogni approccio ha bisogno di essere testato.....
Ecco un altro metodo Python per generare serie temporali da un campione.
L'argomento è interessante, ma non posso ancora dedicargli abbastanza tempo.
L'argomento è interessante, ma finora non c'è stata la possibilità di dedicargli tempo sufficiente.
Mi chiedo se Kaggle lo farebbe.....
La casualità viene battuta per i premi? Perché non utilizzare il metodo Kaggle quando c'è un campione chiuso LUNGO? Poi fate un backtest su di esso e OnTester mostrerà immediatamente il vincitore.
Poiché siamo lontani dall'algo-trading, vi informo che le quotazioni di MQ-demo hanno un potenziale di guadagno molto basso. In parole povere, se conosco il futuro, in MQ-demo con un'esecuzione perfetta guadagnerei 100 u.e., e in XXX-demo 1000 u.e.. Ciò suggerisce che molti modelli esistenti (negoziati sul reale e non nelle cucine) non possono essere provati.
Pertanto, se si vuole, ad esempio, attirare gli scalper, che hanno una significatività statistica molto alta dei risultati, è necessario cambiare qualcosa nella fonte di citazione di MQ-demo. Ora non è adatto a molti studi.
Sembra che un grafico di ottimizzazione possa mostrare quanto sia difficile il processo di ricerca. Quindi, ecco a voi.
A cosa servono questi grafici?
Supponiamo di trovare alcuni schemi nella STORIA e di imparare a generarne di simili.
Perché?
Abbiamo bisogno di questi grafici ripetitivi, dopo i quali seguirà una sezione ben precisa e legale. Esattamente dopo, nel futuro. Tutta la scienza economica può essere divisa in due parti: analisi e previsione. Ma la previsione non deriva dall'analisi, perché tutti i dati finanziari non sono stazionari.
Da qui i modelli MO.
Qualsiasi modello MO è abile nel trovare modelli, trame simili sui dati storici. Ciò che è fondamentale nel MO è che questi modelli - PATTERNS - siano messi in accordo con il valore FUTURO dell'insegnante. Solo nel MOE è possibile un approccio di questo tipo - FUTURO.
A proposito, nel GARCH si cerca un modello matematico e si prevede il futuro, sperando che il modello trovato non cambi.
È improbabile che un modello funzioni bene su valute diverse, piuttosto è necessario un modello diverso per ogni valuta.