베이지안 회귀 - 이 알고리즘을 사용하여 Expert Advisor를 만든 사람이 있습니까?
첫째, 일반 거래소가 사용되었고, 둘째, 제출된 주요 데이터는 유리이며 거기에서 별도의 볼륨을 얻을 수 있으며 셋째, 이것은 암호 화폐입니다.
수염 난 PDF, 이제 더 이상 쉽지 않은 것 같아요, 거래가 훨씬 더 어려워졌습니다.
하지만 핀칭은 여전히 가능하다고 생각합니다.
Forex로 그런 일을 하고 싶다면 찬물을 마시십시오. 바로 말씀드리겠습니다. 99%의 확률로 아무 일도 일어나지 않을 것입니다.
첫째, 일반 거래소가 사용되었고, 둘째, 제출된 주요 데이터는 유리이며 거기에서 별도의 볼륨을 얻을 수 있으며 셋째, 이것은 암호 화폐입니다.
수염 난 PDF, 이제 더 이상 쉽지 않은 것 같아요, 거래가 훨씬 더 어려워졌습니다.
하지만 핀칭은 여전히 가능하다고 생각합니다.
Forex로 그런 일을 하고 싶다면 찬물을 마시십시오. 바로 말씀드리겠습니다. 99%의 확률로 아무 일도 일어나지 않을 것입니다.
고맙습니다.
Forex에서 이 전략을 사용할 가능성에 대한 의견에 관심이 있습니다. 의견이 다를 수 있습니다. 특히 실제 경험에 근거한 귀중한 의견입니다.
의견이 다를 수 있습니다. 특히 실제 경험에 근거한 가치 있는 의견은 더욱 그렇습니다.
고맙습니다.
Forex에서 이 전략을 사용할 가능성에 대한 의견에 관심이 있습니다. 의견이 다를 수 있습니다. 특히 실제 경험에 근거한 귀중한 의견입니다.
베이지안 회귀 는 능선 회귀와 유사하지만 데이터에 노이즈(오차)가 정규 분포되어 있다는 가정에 기반합니다. 따라서 데이터 구조에 대한 일반적인 이해가 이미 있다고 가정하고 이를 통해 다음을 얻을 수 있습니다. 더 정확한 모델(확실히 선형 회귀에 비해).
여기에서: http://datareview.info/article/10-tipov-regressii-kakoy-vyibrat/
오류의 정규성 가정과 관련하여 나는 이 방법을 금융 시장에 적용할 수 있는지에 대해 의문을 제기합니다.
또한 종속성이 초평면으로만 추정되는 모든 모델에서는 비선형 모서리를 놓칠 가능성이 있어 모델을 수익성 있게 만들 수 있습니다.
- 투표: 4
- datareview.info
오류의 정규성 가정과 관련하여 나는 이 방법을 금융 시장에 적용할 수 있는지에 대해 의문을 제기합니다.
여기에서 실제로 회귀에 거의 의존하지 않고 입력 데이터에 더 많이 의존합니다.
나는 심지어 당신의 요점을 강화하고 싶습니다: 시뮬레이션의 성공은 모델(올바르게 적용되는 경우)이 아니라 입력 데이터에 의해 결정됩니다. 내 경험에 따르면 일부 데이터 세트는 항상 모델을 과적합하게 하며, 이 데이터 세트로 작업하면 과적합되지 않은 모델을 얻을 수 있음이 잘 드러날 수 있습니다. 나는 모델링의 주된 악인 과적합(overfitting)이 초기 데이터에 의해 결정된다고 믿습니다. 정규화로 이 문제를 해결하는 것은 절반의 측정입니다.
나는 가장 유망한 것으로 생각합니다: ada, randomforest, SVM.
다른 많은 모델과 마찬가지로 오류가 정상이라는 가정 때문에 베이지안 모델을 사용하지 않는 것이 좋습니다.
나는 심지어 당신의 요점을 강화하고 싶습니다: 시뮬레이션의 성공은 모델(올바르게 적용되는 경우)이 아니라 입력 데이터에 의해 결정됩니다. 내 경험에 따르면 일부 데이터 세트는 항상 모델을 과적합하게 하며, 이 데이터 세트로 작업하면 과적합되지 않은 모델을 얻을 수 있음이 잘 드러날 수 있습니다. 나는 모델링의 주된 악인 과적합(overfitting)이 초기 데이터에 의해 결정된다고 믿습니다. 정규화로 이 문제를 해결하는 것은 절반의 측정입니다.
나는 가장 유망한 것으로 생각합니다: ada, randomforest, SVM.
다른 많은 모델과 마찬가지로 오류가 정상이라는 가정 때문에 베이지안 모델을 사용하지 않는 것이 좋습니다.
고맙습니다.
또한 기사에 설명된 거래에 대한 특정 접근 방식에 대한 의견에 관심이 있습니다.
왜요? 핀에 대해서는 정규분포의 법칙이 통하지 않는다고 생각하십니까? 시장? 노이즈(오류)를 임의의 값으로 간주하면 가우스 분포를 사용하는 것이 매우 적절합니다.
오차가 실제로 정상인 상황은 드물며 이를 위해서는 모델의 원래 시리즈에 대한 확률 밀도를 정확하게 재현해야 합니다. 달성 가능할까요? 질문입니다. 그리고 모델의 매개변수 추정 가능성이 이것에 달려 있다면 놓칠 수 있습니다. 나는 비모수적 방법, 동일한 랜덤 포레스트, GBM, 비선형 SVM을 사용할 것입니다.
그러나 일반적으로 금융 시장에서 선형 회귀 를 잘 이해하고 피쳐 엔지니어링을 수행하는 방법을 알고 있는 사람들은 무작위 추측보다 더 나은 결과를 얻었습니다.
이 전략은 실제 데이터 추적에 대해 실행할 때 60일 미만의 기간에 투자를 거의 두 배로 늘릴 수 있습니다.
I. 베이지안 회귀 문제. 회귀 문제를 고려합니다. 1 ≤ i ≤ n에 대해 n개의 학습 레이블이 지정된 데이터 포인트(xi,yi)가 제공되고 일부 고정 d ≥ 1에 대해 xi ∈ Rd,yi ∈ R이 지정됩니다. 목표는 이 학습 데이터를 사용하는 것입니다. 주어진 x ∈Rd에 대해 알려지지 않은 레이블 y ∈R를 예측합니다. 고전적인 접근. 비모수 통계(예: [3] 참조)의 표준 접근 방식은 다음 유형의 모델을 가정하는 것입니다. 레이블이 지정된 데이터는 관계 y = f(x)+에 따라 생성되며 여기서 는 다음을 나타내는 독립 확률 변수 노이즈, 일반적으로 평균이 0이고 (정규화된) 분산이 1인 가우스로 가정됩니다. 회귀 방법은 n개의 관측치(x1,y1),...,(xn,yn)에서 f를 추정하고 미래 예측을 사용하는 것으로 요약됩니다. 예를 들어, f(x) = xTθ*, 즉 f가 선형 함수로 가정되면 θ* 또는 f를 추정하는 데 고전적인 최소제곱 추정이 사용됩니다. ˆ θLS ∈argmin θ∈Rd n X i=1 ( yi −xT i θ)2 (1) [...] 베이지안 회귀 및 Bitcoin.pdf