Fenomeni di mercato - pagina 61
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
Swinosaurus era il genitore di quel ramo, ma la cosa interessante è, come ha detto Mathemat, nel mezzo alla fine del ramo. E questo, interessante in generale, non è il suo merito, ma
Yurixx, Mathemat, Candid, MetaDriver , ecc. Leggilo, lo troverai interessante.
Il venerdì è appena iniziato e sono in ballo da giovedì...
Solo Neutron ha illustrato qualcosa di sensato.
2 Neutrone. Il passo successivo è vedere la distribuzione degli intervalli del "secondo" processo. Mostramelo, per favore!
rsi:
Il passo successivo è quello di guardare la distribuzione dell'intervallo di tempo del "secondo" processo.
Sto scavando.
La cosa interessante è che l'equità del TS basato su questa idea sta davvero salendo. Sto guardando la casualità della cosa. È chiaro che probabilmente non lo è, ma è affascinante!
E con l'analisi di regressione non lineare, cosa si può determinare in questo caso?
Per cominciare, il compito deve essere suddiviso in parti:
1. In base al fatto che se abbiamo ottimizzato il TS, i suoi test forward di successo si affollano in certi punti, cioè se il fattore di profitto è 1,6 o superiore, il test forward è più probabile che sia uno scarico, se è sotto un certo valore, allora è anche uno scarico. Se il drawdown al punto di ottimizzazione supera un certo limite, è molto probabile che il test forward non abbia successo. Lo stesso vale per il payoff atteso. Poco importante, rispetto allo spread, il payoff atteso nei risultati dell'ottimizzazione porta a test in avanti senza successo. Cioè abbiamo alcune dipendenze tra i risultati dell'ottimizzazione e il successo del test in avanti e quindi dobbiamo essere più precisi. Cerchiamo nei libri di riferimento per trovare un metodo appropriato (contestualmente rilevante) per gli studi. Abbiamo trovato che nel nostro contesto, la regressione logistica seguita dall'analisi ROC sembra essere appropriata, cioè permette di calcolare la probabilità di successo di un evento (forward test) in funzione delle sue caratteristiche (parametri di adattamento). Teoricamente si adatta, anche se non sono sicuro, poiché la regressione logistica più comune è lineare, e sarebbe meglio portarla ad una forma non lineare. Ma queste sono speculazioni finora, è possibile che la linearità sia più che sufficiente.
2. abbiamo il segmento iniziale del test forward e dobbiamo costruire il suo modello matematico usando una regressione non lineare per l'estrapolazione, per esempio, usando l'approssimazione OLS o polinomi di potenza.
3. Abbiamo i dati nel punto 1 e il modello nel punto 2. Esaminare il modello nel punto 2 per una deviazione (residui nella terminologia econometrica) del segmento anteriore conosciuto dal modello. Studiare le caratteristiche dell'intervallo noto del test forward e le sue deviazioni e prendere i dati dal passo 1 ed eseguire l'analisi, per esempio usando la regressione logistica descritta sopra, calcolare una probabilità che il test forward non sia esaurito e abbia un potenziale sufficiente per il trading redditizio in futuro (altrimenti, dovremmo di nuovo ri-ottimizzare tutto e cercare un altro test forward di successo).
Questo è all'incirca il piano per la ricerca di test in avanti.
Per cominciare, il compito deve essere suddiviso in parti:
1. In base al fatto che se abbiamo ottimizzato il TS, i suoi test forward di successo si affollano in certi punti, cioè se il fattore di profitto è 1,6 o superiore, il test forward è più probabile che sia uno scarico, se è sotto un certo valore, allora è anche uno scarico. Se il drawdown al punto di ottimizzazione supera un certo limite, è molto probabile che il test forward non abbia successo. Lo stesso vale per il payoff atteso. Poco importante, rispetto allo spread, il payoff atteso nei risultati dell'ottimizzazione porta a test in avanti senza successo. Cioè abbiamo alcune dipendenze tra i risultati dell'ottimizzazione e il successo del test in avanti e quindi dobbiamo essere più precisi. Cerchiamo nei libri di riferimento per trovare un metodo appropriato (contestualmente rilevante) per gli studi. Abbiamo trovato per esempio che nel nostro contesto, la regressione logistica seguita dall'analisi ROC sembra essere appropriata, cioè permette di calcolare la probabilità di successo di un evento (forward test) in funzione delle sue caratteristiche (parametri di adattamento). Teoricamente si adatta, anche se non sono sicuro, poiché la regressione logistica più comune è lineare, e sarebbe meglio portarla ad una forma non lineare. Ma queste sono speculazioni finora, è possibile che la linearità sia più che sufficiente.
2. abbiamo un segmento iniziale del test in avanti e abbiamo bisogno di costruire un modello matematico utilizzando una regressione non lineare per l'estrapolazione, per esempio, utilizzando OLS o l'approssimazione dei polinomi di potenza.
3. Abbiamo i dati nel punto 1 e il modello nel punto 2. Esaminare il modello nel punto 2 per le deviazioni (residui nella terminologia econometrica) del segmento anteriore noto dal modello. Studiare le caratteristiche dell'intervallo noto del test forward e le sue deviazioni e prendere i dati dal passo 1 ed eseguire l'analisi, per esempio usando la regressione logistica descritta sopra, calcolare una probabilità che il test forward non sia esaurito e abbia un potenziale sufficiente per il trading redditizio in futuro (altrimenti, dovremmo di nuovo ri-ottimizzare tutto e cercare un altro test forward di successo).
Questo è all'incirca il piano per la ricerca di test in avanti.
Tutto va bene se il tuo TS converte una quotazione non stazionaria in un profitto stazionario.
Un profitto non stazionario è una brutta cosa?
Per cominciare, il compito deve essere suddiviso in parti:
1. In base al fatto che se abbiamo ottimizzato il TS, i suoi test forward di successo si affollano in certi punti, cioè se il fattore di profitto è 1,6 o superiore, il test forward è più probabile che sia uno scarico, se è sotto un certo valore, allora è anche uno scarico. Se il drawdown al punto di ottimizzazione supera un certo limite, è molto probabile che il test forward non abbia successo. Lo stesso vale per il payoff atteso. Poco importante, rispetto allo spread, il payoff atteso nei risultati dell'ottimizzazione porta a test in avanti senza successo. Cioè abbiamo alcune dipendenze tra i risultati dell'ottimizzazione e il successo del test in avanti e quindi dobbiamo essere più precisi. Cerchiamo nei libri di riferimento per trovare un metodo appropriato (contestualmente rilevante) per gli studi. Abbiamo trovato che nel nostro contesto, la regressione logistica seguita dall'analisi ROC sembra essere appropriata, cioè permette di calcolare la probabilità di successo di un evento (forward test) in funzione delle sue caratteristiche (parametri di adattamento). Teoricamente si adatta, anche se non sono sicuro, poiché la regressione logistica più comune è lineare, e sarebbe meglio portarla ad una forma non lineare. Ma queste sono speculazioni finora, è possibile che la linearità sia più che sufficiente.
2. abbiamo un segmento iniziale del test in avanti e dobbiamo costruire il suo modello matematico usando una regressione non lineare per l'estrapolazione, per esempio, usando l'approssimazione OLS o polinomi di potenza.
3. Abbiamo i dati del passo 1 e il modello del passo 2. Esaminare il modello del passo 2 per la deviazione (residui secondo la terminologia econometrica) del segmento in avanti conosciuto dal modello. Studiare le caratteristiche dell'intervallo noto del test forward e le sue deviazioni e prendere i dati dal passo 1 ed eseguire l'analisi, per esempio usando la regressione logistica descritta sopra, calcolare una probabilità che il test forward non sia esaurito e abbia un potenziale sufficiente per il trading redditizio in futuro (altrimenti, dovremmo di nuovo ri-ottimizzare tutto e cercare un altro test forward di successo).
Questo è all'incirca il piano per la ricerca di test in avanti.
Anche se ho familiarità con MQL e la programmazione in generale solo da due mesi e non so molto, ma penso ancora che sia tecnicamente molto difficile testare questa idea usando MQL.
Qui abbiamo bisogno che il tester chiami se stesso durante i test. Anche se, in alternativa, è possibile utilizzare i tester da due terminali, se è possibile (e se è possibile avviare il tester da Expert Advisor).
E se i profitti sono instabili, è una cosa negativa?
La valutazione di ISC è insostenibile.
Non essere ridicolo! Cosa c'entra l'ISC? Cosa c'entra la stazionarietà e la non stazionarietà?
Stai raccogliendo parole e le lasci cadere ovunque tu vada... Hai sentito il suono, ma non sai dove sia.