Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 239
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
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.
Como é que se faz isso?
Por altura H é 1, L é -1, respectivamente expresso O e C em relação a H e L.
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.
uma seleção sobre o agrupamento de velas, mas como padronizado não revela, e aqueles que o fazem, eu não estou satisfeito com os resultados
https://www.elitetrader.com/et/threads/statistical-analysis-of-candlesticks-patterns.285918/
http://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-1/
http://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-2/
http://intelligenttradingtech.blogspot.com/2010/06/quantitative-candlestick-pattern.html
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 não deve ser tida em conta, mas as lacunas devem ser eliminadas (castiçais deslocados pela distância da lacuna).
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.
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