Fare un sistema di trading Python per la MT. - pagina 12

 

http://www.thealgoengineer.com/2014/online_linear_regression_kalman_filter/

È lì che sta andando, spero... o che senso hanno le narrazioni

Online Linear Regression using a Kalman Filter
Online Linear Regression using a Kalman Filter
  • www.thealgoengineer.com
13 Aug 2014 • 5 min. read • Comments Linear regression is useful for many financial applications such as finding the hedge ratio between two assests in a pair trade. In a perfect world, the realtionship between assests would remain constant along with the slope and intercet of a linear regression. Unfortutanely this is usually the exception...
 
Maxim Dmitrievsky:

http://www.thealgoengineer.com/2014/online_linear_regression_kalman_filter/

È lì che sta andando, spero... o che senso hanno le narrazioni

Kalman è una conclusione superata.

E l'essenza delle narrazioni è il nulla). Al momento lo faccio per i miei scopi personali. È difficile trovarne copie su internet, ho dovuto capirlo da solo, e se qualcuno ne ha bisogno lo lasci usare.

 
Yuriy Asaulenko:

Kalman è una conclusione superata.

E il punto delle narrazioni non è niente:) Ora ci sono io, e se qualcuno ne ha bisogno, che lo usi. È difficile trovarne copie su internet, ho dovuto capirlo da solo.

Non so, ho un esempio simile con poly reg salvato da qualche parte, quasi 1 su 1

e con Kalman e lin. reg non capisco... qualche articolo incompiuto

import operator
import numpy as np
import matplotlib.pyplot as plt

from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score
from sklearn.preprocessing import PolynomialFeatures

np.random.seed(0)
x = 2 - 3 * np.random.normal(0,1,20)
y = x - 2 * (x**2) + 0.5 * (x**3) - np.random.normal(-3,3,20)

#  transforming the data to include another axis
x = x[:, np.newaxis]
y = y[:, np.newaxis]

polynomial_features = PolynomialFeatures(degree=3)
x_poly = polynomial_features.fit_transform(x)
print(str (x_poly))

model = LinearRegression()
model.fit(x_poly, y)
y_pred = model.predict(x_poly)

rmse = np.sqrt(mean_squared_error(y,y_pred))
r2 = r2_score(y,y_pred)

print(rmse)
print(r2)

plt.scatter(x, y, s=10)
#  sort the values of x before line plot
sort_axis = operator.itemgetter(0)
sorted_zip = sorted(zip(x,y_pred), key=sort_axis)
x, y_pred = zip(*sorted_zip)
plt.plot(x, y_pred, color='r')
plt.show()
 
Maxim Dmitrievsky:

Non lo so, ho un esempio simile con reg. poli salvato da qualche parte, quasi 1 su 1

e con Kalman e lin. reg non capisco... qualche articolo incompiuto

È sempre così, quando hai bisogno di qualcosa, non riesci a trovarla). E poi viene fuori dal nulla).

Mettere un codice invece di una foto, forse? Per il bene della discussione, lasciamo che sia così.

 

Per Alex, introdynamics in python.

installare la versione 3.7 64 bit (non uso anaconda e non capisco perché ne abbiate bisogno, probabilmente è per gente troppo intelligente)

aprire una linea di comando e digitare pip install catboost

questo installerà il catboost e vi darà un avvertimento su quali libs mancano

Un'altra opzione è quella di installare con pip jupyter notebook (pip install jupyter notebook) o jupyter lab

Cercare su Google maggiori dettagli è un buon modo per scoprirlo

 

Yura, sei, come sempre, disperatamente stupefacente. Stai confrontando MA, cioè il numero in un particolare punto nel tempo - il centro della distribuzione di probabilità corrente, con funzioni approssimative :)))

Ti rimprovererei ancora più severamente, come un bambino, ma visto che capisci la fisica almeno un po' - non lo farò, altrimenti il forum è già diventato un ammasso di venditori di segnali imbarazzanti - niente da leggere.

Conosci la differenza o no?

 
Alexander_K2:

Yura, sei, come sempre, disperatamente stupefacente. Stai confrontando MA, cioè il numero in un particolare punto nel tempo - il centro della distribuzione di probabilità corrente, con funzioni approssimative :)))

A_K, non sei affatto in contatto, non capisci cosa sta succedendo e scambi il tuo flusso di coscienza per la realtà. Le cose non sono come sembrano)). Nel contesto dell'argomento, la sua preziosa osservazione non ha senso né significato.

Se non capite qualcosa, fate domande, anche se non è detto che otterrete una risposta.

 
Maxim Dmitrievsky:

Per Alex, introdynamics in python.

Avete bisogno della versione 3.7 64 bit (non uso anaconda e non capisco perché ne abbiate bisogno, probabilmente è per quelli troppo intelligenti).

Alex, chi è?

Eustace Alex - Non uso anaconda.

Anaconda è utile non per gli intelligenti ma per i pigri)) - Tutto ciò di cui avete bisogno (e un sacco di extra,jupyter notebook, incluso) è disponibile in un unico pacchetto. Non c'è bisogno di fare altro, nessuna stringa di comandi epip install, - mettilo e dimenticalo. Ma, per coloro che sono troppo intelligenti, se proprio volete, potete usare la linea di comando).

 
Yuriy Asaulenko:

Alex è chi?

Eustace Alex - Non uso l'anaconda.

Anaconda è per i pigri, non per gli intelligenti)) - Si ottiene tutto ciò di cui si ha bisogno (e un sacco di cose inutili,jupyter notebook compreso) in un unico pacchetto. Non c'è bisogno di fare altro, nessuna stringa di comandi epip install, - mettilo e dimenticalo. Non c'è bisogno di fare altro, nessuna linea di comando, nessuna installazione - basta impostarlo e dimenticarlo. Ma, per chi è troppo intelligente, se proprio vuole, può usare anche la linea di comando).

Beh, Alex con il chupacabra sul suo avatar.

Ho ancora bisogno di aggiornare. Tensor Flow non funziona ancora su 3.7
 
Maxim Dmitrievsky:

Beh, Alex con il chupacabra sul suo avatar.

L'aggiornamento deve ancora essere fatto. Tensor Flow non funziona ancora su 3.7

Sono pigro e disinteressato. Sono pigra e non pigra e non sono una persona pigra).

A proposito, anaconda ha dei pulsanti - installa e aggiorna). Birdie ha messo, premere il pulsante e lasciarlo pensare).

PS a proposito di aggiornamento. Durante l'aggiornamento di Anaconda parte dei pacchetti è stata aggiornata e parte è tornata indietro, incluso Python dalla versione 3.7.2 alla 3.7.1.