The MSM model can be specified in both discrete time and continuous time. Let denote the price of a financial asset, and let r t = ln ( P t / P t − 1 ) {\displaystyle r_{t}=\ln(P_{t}/P_{t-1})} denote the return over two consecutive periods. In MSM, returns are specified as r t = μ + σ ¯ ( M 1 , t M 2 , t...
トレーダーにとって、自分のモデルを訓練し、それを滑り込ませる競技であり、ラッキー - 良い、アンラッキー - 失うものは何もない
連想が違うんですね。オーバーフィットやアンダートレーニングが原因でモデルが受け入れられなかった場合は、スキルを向上させる必要があることを意味します。ちょっとした運が必要なんです。
連想が違うんですね。もし、足元が悪い、トレーニング不足という理由でモデルが受け入れられなかったら、それは技術の向上が必要ということです。運は関係ない。
モデルはどれくらいの期間稼働しているのでしょうか? もしコンテストがずっとあるのなら、短期的なものなのでしょうか?
私にとっては、利益を得るためにお金を出すことの方が重要なのです。
毎週新しいツアーが開催されます。1週間でモデルを学習させ、予測を送らなければならない。しかし、あなたのモデルの前方推定値がわかるのは、さらに3週間後で、あなたの予測はその3週間の実際のものと比較されることになります。
少なくとも9割は残していると思います。
:)) RLの勉強が終わったら、あなたのトピックを再読してみるつもりです。
そして、あなたの予想が私より優れていると仮定してください、それは素晴らしいことです。
Maxim, 添付ファイルには、指数関数的な ティック読み取り間隔(正確には、n=0.5の離散幾何学的分布)で得られたAUDCADのBPが含まれています。
A列 - 入札
B欄 - 質問
C列 - スライディングウィンドウ内の強度 = 10.000
E列 - タイムスタンプ。
タイムスタンプが =0 の場合、これは人工的な仮装である。
つまり、この擬似パターンの中には、まだ本当のBPが「居座っている」のである。
ソースBPからリアルBPを抽出し、2つのリターニーBPをニューラルネットワークに滑り込ませることができるのか?1つは-オリジナル(疑似+リアル)、もう1つは-リアルのみ。
面白いですね。
初期BP(擬似+実数)を扱う場合、メモリを持たない最も単純なスレッドで作業していることを認識する必要があります
ステップ2.この最初のBPでは、2つ目の見積もりだけを取るようにします。結果的に2次のErlangフローを得ることができます。チェックする。
ステップ3:この最初のBPでは、3つ目の見積もりだけを取るようにします。結果的に3次アーラン流が得られます。チェックする。
などなど。
信じられないようなものが出てきたら......信号が出るんです。
マキシム、添付ファイルで - 指数ティック読み取り間隔(より正確に - n = 0.5で離散幾何分布)で得られたAUDCAD用BP。
A列 - 入札
B欄 - 質問
C列 - スライディングウィンドウ内の強度 = 10.000
E列 - タイムスタンプ。
タイムスタンプが =0 の場合、これは人工的な仮装である。
つまり、この擬似パターンの中には、まだ本当のBPが「居座っている」のである。
ソースBPから実BPを抽出し、2つのリターニーBPを持つニューラルネットワークに投入することができます。1つは-オリジナル(疑似+リアル)、もう1つは-リアルのみ。
面白いですね。
もう明日にでもnsに突っ込んでみるか )
明日にでも入れてみようかな)
そこにチェックアルゴリズムも追加しています。気をつけて下さいね。
チェックアルゴリズムも追加しました。ただ、気をつけてくださいね。
そうなんですね、ティックだとややこしくなるんですね、でも丁寧にやります(笑)
これらの配列をМТ5のカスタムシンボルに 変換し、シンボルを用意する......それがうまくいけば
なるほど、ティックだとややこしくなりそうですが、キチンとしたものを作ります(笑)。
これらの行は、MT5のカスタムシンボルに変換する必要があり、それらは別の既製のシンボルとして表示されます...成功した場合
まあ、その逆も可能です。まず、オーダー100のErlangフローを選択して、最も単純なものへと降りていくのです :))
ボラティリティを予測するというテーマでボラティリティを予測することは、相場そのものを予測することよりもずっと簡単だとしましょう。
そして、https://en.wikipedia.org/wiki/Markov_switching_multifractal のような様々なモデルまであります。
何が出るのか、正しい使い方は、やったことのある人はいるのか。
ボラティリティを予測するというテーマでボラティリティを予測することは、相場そのものを予測することよりもずっと簡単だとしましょう。
さらに、https://en.wikipedia.org/wiki/Markov_switching_multifractal のようなモデルまでいろいろある。
何をするものなのか、どう使うのか、誰か使ったことがあるのか。
GARCHは、機械学習とは対照的に、金融市場では(共和分やポートフォリオと並んで)主流と呼ばれています。
このモデルでは、シックテールやハーストのようなロングメモリーなど、インクリメントの統計的なニュアンスをたくさん考慮に入れています。
例えば、S&P500指数に含まれる全銘柄のGARCHモデルのパラメータを選ぶという出版物があります。
FXにおけるアプリケーションについては、多くの出版物があります。ツールキットは非常によくできています。例えば、rugarchパッケージ。
さあ、農場を出て、高速道路に出て、「スラヴヤンカに別れを告げよ」の行進に行こう!