Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 239

Novo comentário
 
Andrey Dik:
Tente descrever a vela por dois números, cada um no intervalo [-1,0; 1,0]. Estas são as posições de O e C em relação a H e L.
A partir do seu exemplo, pareceria algo parecido com isto :
1. [-0.8; 0.8]
2. [-0.2; 0.2]
3. [-0.9; -0.1]
como fazer isto?
 
mytarmailS:
Como é que se faz isso?
Em altura H é 1, L é -1, respectivamente O e C expresso em relação a H e L.
Isto descreve claramente a forma, independentemente do tamanho da vela.

 
Andrey Dik:
Por altura H é 1, L é -1, respectivamente expresso O e C em relação a H e L.
Isto descreve claramente a forma, independentemente do tamanho da vela.

A volatilidade da vela não é considerada aqui, todos os cálculos vão para dentro da vela, e que tipo de vela é, uma vela de intervalo ou um pequeno dojiq o MO não vê

Eu acho que o mais normal são os % incrementos, mas eu não os conto correctamente.

 
mytarmailS:

A volatilidade da vela não é considerada aqui, todos os cálculos vão para dentro da vela, e que tipo de vela é, uma vela de intervalo ou um pequeno dojiq o MO não vê

Acho que o mais normal é o % de incremento, mas não percebo bem.

a volatilidade é exatamente o que você não precisa levar em conta. e as lacunas precisam ser eliminadas (mudar a vela pela distância da lacuna)
 
Andrey Dik:
A volatilidade não deve ser tida em conta, mas as lacunas devem ser eliminadas (castiçais deslocados pela distância da lacuna).
Pelo contrário, as lacunas devem ser memorizadas - e consideradas. Uma vez que as lacunas são estatisticamente fechadas de qualquer forma. Uma vez que procurei por um indicador de lacunas - não o encontrei, fiz armadilhas por mim mesmo usando fractais. Mas eu ainda preciso de um bom indicador.
 
Pessoal, há um indicador chamado CandleCode, ele codifica velas que são exatamente iguais e têm o mesmo código, levando em conta a propagação. Por que você está inventando uma bicicleta, eu não entendo :-(
 
Vizard_:
A lição acabou))))

Obrigado, acho que já o tenho. Parece muito simples, eu não acredito, mas vou verificar.

Também é estranho que o sinal seja um preditor separado, eu apenas tornaria o tamanho da vela negativo se ela estivesse em baixo. Eu também devia tentar isso.

 
Dr. Trader:

Obrigado, acho que já o tenho. Parece muito simples, eu não acredito, mas vou verificar.

Também é estranho que o sinal seja um preditor separado, eu apenas tornaria o tamanho da vela negativo se ela estivesse em baixo. Eu também devia tentar isso.

Não percebo, no entanto.

Como é que se faz um alvo?

De onde veio a fórmula?

 

Continuo a acreditar que, sem seleccionar os preditores para o seu impacto na variável alvo, tudo o resto é irrelevante. Este é o primeiro passo. Ou removemos os preditores de ruído e então as nossas chances de construir um modelo NÃO reeducado aumentam, ou os preditores de ruído permanecem, o que necessariamente levará à reeducação. E como o comportamento do modelo requalificado no futuro não está de forma alguma relacionado com o seu comportamento no passado, tal modelo requalificado não é necessário.

Outra abordagem interessante para determinar a importância dos prognosticadores. Não são usados algoritmos múltiplos para determinar oteste de significância.

Aqui está o código executado a partir deste post

> n <- 10000
>
> x1 <- runif(n)
> x2 <- runif(n)
> y <- -500 * x1 + 50 * x2 + rnorm(n)
>
> model <- lm(y ~ 0 + x1 + x2)
>

 

 


> # 1a. Standardized betas
> summary(model)$coe[,2]
        x1         x2
0.02599082 0.02602010
> betas <- model$coefficients
> betas
        x1         x2
-500.00627   50.00839

 

 


> imp <- abs(betas)/sd.betas
Ошибка: объект 'sd.betas' не найден
> sd.betas <- summary(model)$coe[,2]
> betas <- model$coefficients
> imp <- abs(betas)/sd.betas
> imp <- imp/sum(imp)
> imp
       x1        x2
0.9091711 0.0908289

 

 


> imp1 <- abs(model$coefficients[1] * sd(x1)/sd(y))
> imp2 <- abs(model$coefficients[2] * sd(x2)/sd(y))
>
> imp1 / (imp1 + imp2)
       x1
0.9095839

 

 


> imp2 / (imp1 + imp2)
       x2
0.0904161

 

 


> # 2. Standardized variables
> model2 <- lm(I(scale(y)) ~ 0 + I(scale(x1)) + I(scale(x2)))
> summary(model2)

Call:
lm(formula = I(scale(y)) ~ 0 + I(scale(x1)) + I(scale(x2)))

Residuals:
       Min         1Q     Median         3Q        Max
-0.0236475 -0.0046199  0.0000215  0.0046571  0.0243383

Coefficients:
               Estimate Std. Error t value Pr(>|t|)    
I(scale(x1)) -9.932e-01  6.876e-05  -14446   <2e-16 ***
I(scale(x2))  9.873e-02  6.876e-05    1436   <2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.006874 on 9998 degrees of freedom
Multiple R-squared:      1,     Adjusted R-squared:      1
F-statistic: 1.058e+08 on 2 and 9998 DF,  p-value: < 2.2e-16

 

 


> abs(model2$coefficients)/sum(abs(model2$coefficients))
I(scale(x1)) I(scale(x2))
  0.90958355   0.09041645
How important is that variable?
  • 2016.12.03
  • Andrés Gutiérrez
  • hagutierrezro.blogspot.nl
When modeling any phenomena by including explanatory variables that highly relates the variable of interest, one question arises: which of the auxiliary variables have a higher influence on the response? I am not writing about significance testing or something like this. I am just thinking like a researcher who wants to know the ranking of...
1...232233234235236237238239240241242243244245246...3399
Novo comentário