L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3053
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
Sono sicura che sarà un lavoro interessante con nuove esperienze.
Ho provato a scrivere una semplice tabella q (senza questa super formula per calcolare l'azione).
Può essere una conseguenza piuttosto che una causa, ma si tratta comunque di un fenomeno collegato e quindi, finché c'è un collegamento, possiamo parlare di un modello.
Dobbiamo solo riconoscere che le leggi cambiano. Ed è proprio quando cambiano - il momento del tempo - che questo problema dovrebbe essere risolto.
Le leggi non cambiano. È solo che non comprendiamo tutte le leggi.
In natura, non esistono due fiocchi di neve esattamente uguali, ma noi li percepiamo come tali e ci sembrano tutti uguali.
Nei mercati finanziari, un pattern è l'immagine di un fiocco di neve naturale.
Non ci sono due modelli che si assomigliano esattamente per alcuni parametri, come nel caso dei fiocchi di neve, ma allo stesso tempo i modelli esistono come legge.
i modelli esistono come Legge.
se presentiamo tutti i timeframe su un singolo grafico, terremo conto di tutte le informazioni su tutti gli estremi del grafico?
ci sono tre timeframe contemporaneamente sul grafico m1 . m10, m60
E se impostassimo il compito di trovare le regole in modo un po' diverso:
le regole stesse devono essere diverse.
se i segni sono X1, X2..... Х10
allora le regole per quelli di legno sembrano X1>= 0,001 e X2<0,05 .
dove 0,001 è solo un numero astratto/costante non legato in alcun modo al mercato, solo un numero per approssimazione...
Per questo motivo, quando il mercato cambia, tutti questi numeri/costanti smettono di funzionare immediatamente...
sono necessarie regole come X1 >= ( X2*(X5/X7) ) & X3 < (X2^2) * X10.
Invece di costanti astratte, una formula adattiva,
e le costanti dovrebbero essere evitate come il fuoco.
non sono né buoni né cattivi, sono adattivi e non costanti.
non sono né buoni né cattivi, sono adattivi e non costanti.
Ancora una volta, non ho paura di annoiarvi.
Il problema non sono le regole o i modelli, il problema è il potere predittivo del predittore per l'insegnante, che (potere predittivo) varia. Con il vostro approccio, si può arrivare a una "bontà di adattamento" casuale, e avete bisogno di una misura numerica della variabilità della capacità predittiva. Avete un analogo dell'"impotenza" del predittore nei modelli - prendiamo da ciò che abbiamo, e se tutto è spazzatura, prendiamo dalla spazzatura. Per me, il filtraggio è un vicolo cieco, perché l'algoritmo forma regole su ciò che gli viene dato: se si danno caramelle, si ottiene cioccolato, e se si dà spazzatura, si ottiene un'altra porzione di g... spazzatura.
la relazione tra gli attributi ha la stessa probabilità di andare fuori campo. Esattamente la stessa astrazione.
Ma non è questo il punto, bensì l'approccio proposto, che ha un certo senso.
Continuo ad aspettare che il forum mi dia delle idee normali su come migliorare una cosa del genere, perché raramente mi vengono in mente idee nuove finché non leggo un altro paio di libri sulla statistica e sull'IO.
Ho preso specificamente l'OOS in cui il mercato è cambiato. Lo studio era su un mercato in discesa e l'OOS su uno in salita.
Quanti mesi/anni ci sono sul grafico?