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...
거래자에게 이것은 모델을 가르치고 빠져들게 하는 능력입니다.
잘못된 연관성이 있습니다. 과적합 또는 과소 훈련으로 인해 모델이 승인되지 않았다면 이는 기술을 개선해야 함을 의미합니다. 거기에는 행운이 없습니다.
잘못된 연관성이 있습니다. 과적합 또는 과소 훈련으로 인해 모델이 승인되지 않았다면 이는 기술을 개선해야 함을 의미합니다. 거기에는 행운이 없습니다.
그리고 시간에 얼마나 많은 모델이 계산됩니까? 그들이 지속적으로 경쟁을 한다면 그것은 단기적입니까?
펀드가 이에 대해 얼마나 많은 수익을 올릴 수 있는지(%).
매주 새로운 투어. 일주일 안에 모델을 훈련하고 예측을 보내야 합니다. 그러나 3주 후에만 모델의 예상 추정치를 알 수 있습니다. 이 3주 동안의 예측값은 실제 예측값과 비교될 것입니다.
나는 그들이 적어도 90 %는 자신을 떠난다고 생각합니다.
:)) 나는 RL 공부를 마친 후에 당신의 주제를 다시 읽기 시작할 것입니다.
그리고 우리가 당신의 예측자가 나보다 더 나은 것으로 판명되었다고 가정한다면, 그것은 훌륭할 것입니다
Maxim, 첨부 파일에서 - 지수 눈금 판독 간격으로 얻은 AUDCAD용 VR(더 정확하게는 n=0.5에서 이산 기하학적 분포).
A열 - 입찰가
B열 - 질문
열 C - 슬라이딩 창 강도 = 10.000
D열 - 타임스탬프.
타임스탬프 = 0인 경우 이것은 인공 유사입니다.
저것들. 이 유사 행 안에는 여전히 실제 VR이 "앉아 있습니다".
원래 VR에서 실제 VR을 추출하고 2 VR 리턴을 신경망에 넣을 수 있습니까? 하나는 원본(pseudo + real)이고, 두 번째는 진짜입니다.
흥미로운.
원본 VR(pseudo + real)로 작업할 때 메모리가 없는 가장 단순한 스트림으로 작업한다는 점을 이해해야 합니다.
2단계. 이 초기 VR에서는 모든 두 번째 견적만 취하면 됩니다. 후유증이 있는 2차 Erlang 스트림을 얻게 됩니다. 확인하다.
3단계. 이 초기 VR에서는 모든 3번째 견적만 받으면 됩니다. 후유증이 있는 3차 Erlang 스트림을 얻게 됩니다. 확인하다.
등.
놀라운 것을 얻으면 신호를 받습니다.
Maxim, 첨부 파일에서 - 지수 눈금 판독 간격으로 얻은 AUDCAD용 VR(더 정확하게는 n=0.5에서 이산 기하학적 분포).
A열 - 입찰가
B열 - 질문
열 C - 슬라이딩 창 강도 = 10.000
D열 - 타임스탬프.
타임스탬프 = 0인 경우 이것은 인공 유사입니다.
저것들. 이 유사 행 안에는 여전히 실제 VR이 "앉아 있습니다".
실제 VR을 원본 VR에서 분리하고 2개의 VR 리턴을 신경망에 넣을 수 있습니다. 하나는 원본(pseudo + real)이고, 두 번째는 진짜입니다.
흥미로운.
내일 ns에 넣어보도록 하겠습니다.)
내일 ns에 밀어넣도록 하겠습니다.)
거기에 검증 알고리즘을 추가했습니다. 조심하세요.
거기에 검증 알고리즘을 추가했습니다. 조심하세요.
네, 틱으로 하면 더 어려울 것 같지만 깔끔하게 수정하겠습니다)
이 행은 사용자 정의 MT5 기호 로 구동해야 하며 별도의 기성 기호를 얻게 됩니다.
네, 틱으로 하면 더 어려울 것 같지만 깔끔하게 수정하겠습니다)
이 행을 사용자 정의 MT5 기호로 구동해야 하며 별도의 기성 기호를 얻을 수 있습니다.
글쎄, 당신은 반대로 할 수 있습니다 - 먼저 100 번째 순서의 Erlang 스트림을 추출하고 가장 간단한 것으로 이동하십시오 :))
변동성 예측 문제. 변동성이 견적 자체보다 예측하기 훨씬 쉽다고 가정합니다.
https://en.wikipedia.org/wiki/Markov_switching_multifractal과 같은 모든 종류의 모델도 있습니다.
그것은 무엇을 제공합니까, 올바르게 사용하는 방법, 누군가가 그것을 했습니까?
변동성 예측 문제. 변동성이 견적 자체보다 예측하기 훨씬 쉽다고 가정합니다.
https://en.wikipedia.org/wiki/Markov_switching_multifractal과 같은 모든 종류의 모델도 있습니다.
그것은 무엇을 제공합니까, 올바르게 사용하는 방법, 누군가가 그것을 했습니까?
GARCH는 머신 러닝과 달리 금융 시장의 주류(공동 통합 및 포트폴리오와 함께)로 불립니다.
모델은 뚱뚱한 꼬리와 장기 기억 a la Hurst(장기 기억)를 포함하여 증분의 통계적 뉘앙스를 고려합니다.
예를 들어, S&P500 지수에 포함된 모든 주식에 대한 GARCH 모델 매개변수 선택에 대한 간행물이 있습니다!
Forex 사용에 관한 출판물이 가득합니다. 우수한 툴킷. 예를 들어, rugarch 패키지.
그래서 우리는 농장을 떠나 고속도로로 나가 "슬라브의 이별!"행진으로 나아갑니다.