L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2311

 
Maxim Dmitrievsky:

Allora la loro presenza qui è strana, visto che hanno tutti imparato il Tao molto tempo fa.

Non vedo forti differenze tra cos, matstat econometria e qualsiasi altra metrica))) tutto inizia con la media))))
 
Valeriy Yastremskiy:
Non vedo forti differenze tra csos, matstat econometria e qualsiasi altra metrica))) tutto inizia con la media))))

Allora non ha senso scambiare la scarpa con una scarpa

 
Maxim Dmitrievsky:

Allora non ha senso scambiare uno shill con uno shill.

Ci può essere un punto, ma è casuale e costoso). Nel senso di risolvere questa gamma di problemi è identificare qualcosa o semplificare i calcoli. La decomposizione in funzioni stazionarie, al fine di identificare i cicli, ha senso se questi cicli esistono). In natura esistono sicuramente, e naturalmente nei risultati della vita sono semplicemente obbligatori)))). Ma per confrontare queste funzioni stazionarie con i fenomeni che le hanno generate... Beh, probabilmente non è oggi....

 

Pensieri su 2 percorsi. 1 - cercate le caratteristiche delle file su cui potete fare soldi. Non si è rivelato così facile, si guarda la trama dove la gente ha potuto guadagnare, e le statistiche non mostrano nulla.

2 - Montaggio del sistema sulla serie. Nel caso più semplice, la serie originale viene moltiplicata per +-1 a qualche condizione. E se ancora non possiamo rilevare regolarità, allora perché preoccuparsi, prendere parametri casuali come condizione o cambiare la direzione della transazione dopo un certo intervallo di tempo. Come esempio di gufi nel trailer.

File:
RndIn.mq5  3 kb
 
Esperimenti per onormalizzare la distribuzione. Due file con Euro e 2 con pgsc diversi.
File:
ed1.png  550 kb
ed2.png  515 kb
rnd1.png  564 kb
rnd2.png  481 kb
 
Maxim Dmitrievsky:

Allora non ha senso scambiare lo scarto con il rottame.

Maxim, sembra che tu abbia capito il MGC alglib https://www.mql5.com/ru/forum/36408/page17#comment_9620369

pcabuildbasis(
double[,] x,       // матрица цен инструментов 
int npoints,       // количество цен для каждого инструмента
int nvars,         // количество инструментов
out int info,      // результат операции, любое положительное число - все ок
out double[] s2,   // массив разбросов / дисперсий для всех найденных векторов
out double[,] v)   // массив векторов, каждый вектор и есть искомые весы для выравнивая наборов вокруг нуля 

Come ottenere ad esempio 2 colonne di componenti principali da s2 e v.
Suppongo che x debba essere moltiplicato/diviso con questi coefficienti?
Avete il latte artificiale?

Gli array s2 e v sembrano essere ordinati, i principali sono all'inizio o alla fine?
Индикаторы: Portfolio Optimizer
Индикаторы: Portfolio Optimizer
  • 2018.12.01
  • www.mql5.com
Portfolio Optimizer: Автор: transcendreamer...
 
elibrarius:

Maxim, sembra che tu abbia capito l'Algiba MGC https://www.mql5.com/ru/forum/36408/page17#comment_9620369

Come ottenere ad esempio 2 colonne di componenti principali da s2 e v.
Suppongo che x debba essere moltiplicato/diviso con questi coefficienti?
C'è una formula?

Gli array s2 e v sembrano essere ordinati, i principali sono all'inizio o alla fine?

Ho fatto pca e lda, ma non mi ricordo più, purtroppo è stato molto tempo fa. Non ha ottenuto nulla di utile, quindi è stato dimenticato.

 

Forse qualcun altro lo sa?

C'è il passo 4, c'è del codice come questo per creare colonne di componenti, ma non riesco ancora a capire come ripetere questo con cicli e (*/+-).

_, vecs = np.linalg.eig(covmat)
v = -vecs[:,1])
Xnew = dot(v,Xcentered)
print Xnew

OUT: [ -9.56404107 -9.02021624 -5.52974822 -2.96481262 0.68933859 0.74406645 2.33433492 7.39307974 5.3212742 10.59672425]


dot(X,Y) - Prodotto dell'onore (questo è il modo in cui moltiplichiamo vettori e matrici in Python)
Как работает метод главных компонент (PCA) на простом примере
Как работает метод главных компонент (PCA) на простом примере
  • habr.com
В этой статье я бы хотел рассказать о том, как именно работает метод анализа главных компонент (PCA – principal component analysis) с точки зрения интуиции, стоящей за ее математическим аппаратом. Максимально просто, но подробно. Математика вообще очень красивая и изящная наука, но порой ее красота скрывается за кучей слоев абстракции. Показать...
 
elibrarius:

Forse qualcun altro lo sa?

C'è il passo 4, c'è del codice come questo per creare colonne di componenti, ma non riesco a capire come ripetere questo con i loop e (*/+-).

_, vecs = np.linalg.eig(covmat)
v = -vecs[:,1])
Xnew = dot(v,Xcentered)
print Xnew

OUT: [ -9.56404107 -9.02021624 -5.52974822 -2.96481262 0.68933859 0.74406645 2.33433492 7.39307974 5.3212742 10.59672425]


dot(X,Y) - Prodotto dell'onore (questo è il modo in cui moltiplichiamo vettori e matrici in Python)

https://gist.github.com/freemancw/2981258

Alglib PCA Example
Alglib PCA Example
  • gist.github.com
Alglib PCA Example. GitHub Gist: instantly share code, notes, and snippets.
 
Visto. Non è questo. Ha semplicemente riscritto la matrice 3x3 in variabili. Ma i nuovi vettori componenti non vengono calcolati.
Il risultato è quello di ottenere 6 righe per ogni componente (secondo questo esempio).