Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1590
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
Eu li este artigo há cerca de 5 anos, é interessante, mas não há muita informação adicional, o autor está fazendo algo com OHLC para obter uma métrica de volatilidade mais "conveniente", não é novo em princípio, no clássico Dacorogna "An introduction to high-frequency finance" no século passado era recomendado tomar como medida de volatilidade os retornos médios absolutos, não os valores RMS. A previsibilidade da volatilidade é também um fato bem conhecido. Ela depende de dois fatores, a sazonalidade e a inércia, que responde por 95% da sua influência. Mas mesmo que alinhemos (log) os retornos de acordo com a volatilidade, ele não dará nada, precisamos de um sinal para a negociação, e isso não afeta a distribuição.
Por exemplo, se você pegar um ruído gaussiano, você obviamente não pode prever os seguintes usando amostras anteriores, independentemente da estacionaridade, mas se você classificar essa série, por exemplo, que não irá alterar a distribuição, mas torná-la completamente previsível, então você pode brincar com a volatilidade dinâmica dentro de uma ampla faixa e torná-la não-estacionária, mas ainda assim facilmente previsível.
Há algum sentido em fazer tudo isso não em um único período de tempo, mas em algum segmento deles, comparando o quadro resultante com o que deveria estar em uma SB gaussiana com variação semelhante.
Se for necessário rigor, podemos considerar que estamos falando da falta de estacionaridade no sentido amplo dos logaritmos de retorno, por exemplo.
https://github.com/BlackArbsCEO/mixture_model_trading_public/blob/master/notebooks/current_public_notebooks/03_Are_Gaussian_Mixture_Components_More_Stationary_2019-01-01.ipynb
Há algum sentido em fazer tudo isso não em um único período de tempo, mas em um determinado segmento, comparando o quadro resultante com o que deveria estar em uma SB gaussiana com variação semelhante.
Em relação à distribuição dos retornados, é muito importante que quanto maior o prazo, mais Gaussiana a distribuição se torna, por uma razão trivial de média (todos nos lembramos que a agregação de distribuições não normais dá uma normal). Eventos reais "aleatórios" no mercado são apenas mudanças de uma melhor (askbid), colocando/desenhando uma ordem ou um negócio; agregação de ticks mesmo em um minuto muda a distribuição, tornando-a mais próxima da distribuição gaussiana (para fazer a distribuição gaussiana a partir de um uniforme leva 12 iterações), a distribuição real do mercado é apenas a distribuição tick, e não é nada normal.
Em relação à distribuição dos retornados, é muito importante que quanto maior o prazo, mais Gaussiana se torna a distribuição, por uma razão trivial de média (todos nos lembramos que a agregação de distribuições não-normais dá uma distribuição normal). Os verdadeiros eventos "aleatórios" no mercado são apenas mudanças de uma melhor (askbid), colocando/desenhando uma ordem ou realizando uma negociação, a agregação de ticks mesmo em um minuto muda a distribuição tornando-a mais próxima da distribuição gaussiana (12 iterações são suficientes para transformar a distribuição uniforme em gaussiana), a distribuição real do mercado é apenas a distribuição tick, e não é nada normal.
Para moedas mesmo não é real. Mais precisamente, não é real e não é nada "normal" (nem em termos de distribuições).
Porque não há centro. Não há uma única fonte de carrapatos e não há garantia de que eles cheguem ao usuário. Não só o "fluxo hipotético de ticks" de um determinado servidor é um produto da agregação de outros servidores, mas este fluxo também é afinado tanto pelo servidor como pelo terminal, por razões técnicas.
As características estatutárias dos carrapatos dependem do CD específico, dos seus pares e do seu software.
Quanto à distribuição dos retornados, é muito importante que quanto maior o prazo, mais Gaussiana se torna a distribuição, pela razão banal da média (todos nos lembramos que a agregação de distribuições não-normais dá uma distribuição normal). Os verdadeiros eventos "aleatórios" no mercado são apenas mudanças de uma melhor (askbid), colocando/desenhando uma ordem ou realizando uma negociação; a agregação de ticks mesmo em um minuto muda a distribuição tornando-a mais próxima da distribuição gaussiana (12 iterações são suficientes para mudar a distribuição uniforme gaussiana), a distribuição real do mercado é apenas a distribuição tick, e não é nada normal.
No entanto, ao nível do tick, um modelo mais correcto é alguma variação do processo Poisson, por exemplo, um processo composto de Poisson com uma distribuição discreta de saltos e uma intensidade não constante (não uma função de tempo constante)). Isto, porém, ignora a discrição do tempo real de negociação.
A forma do histograma depende de quais áreas encontramos (Maxim Dmitrievsky escreveu logo acima sobre misturas). Às vezes até resulta num histograma de salto duplo.
Como eu não sei como transferir um modelo Markoviano completo para metac, a idéia é agrupar todos os componentes sazonais em Python, depois treinar um MOH simples para prever os agrupamentos, testar em uma amostra de teste. E transfira-o para o terminal. Esta será a bomba número 3.
Espera-se que cada aglomerado tenha uma variação constante e matróide.
Como eu não sei como transferir um modelo Markoviano completo para metac, a idéia é agrupar todos os componentes sazonais em Python, depois treinar um MOH simples para prever os agrupamentos, testar em uma amostra de teste. E transfira-o para o terminal. Esta será a bomba número 3.
Espera-se que cada aglomerado tenha variância constante e matróide.
Como eu não sei como transferir um modelo Markoviano completo para metac, a idéia é agrupar todos os componentes sazonais em Python, depois treinar um MOH simples para prever os agrupamentos, testar em uma amostra de teste. E transfira-o para o terminal. Esta será a bomba número 3.
Espera-se que cada aglomerado tenha variância constante e matróide.
Ainda assim, no nível do tick um modelo mais correto é alguma variação do processo de Poisson, por exemplo, processo de poisson composto com distribuição discreta de saltos e intensidade variável (NÃO função de tempo constante)).
não vai funcionar por muitas razões, foi pesquisado durante muito tempo e nem sequer se trata de filtragem de tick pelo servidor DC
Isto é o que eu sei onde procurarhttps://www.mql5.com/ru/forum/102066/page9#comment_2968124 nesta foto onde a seta é um outlier.
estes carrapatos estarão sempre lá, é assim que o mercado funciona - o motivo pelo qual eles ocorrem é outra questão
e se você seguir sua suposição sobre os saltos em carrapatos, você irá considerar estes picos, mas estes carrapatos simplesmente não formam a direção de movimentos posteriores, no máximo eles ocorrem na alta/baixa de uma barra
Não consegui encontrar screenshots do indicador do tick do Prival, é muito bom a representar estes picos - por isso não é preciso adivinhar de onde vem o tick. Uma possibilidade é que o MM muitas vezes mistura asc/bid com um intervalo de tempo no fluxo da cotação, mas esta é uma cotação real! )))
A Bomba #5 é movida com tempos específicos, repetida em intervalos regulares. Mas você também tem que passar pelo número 4.
Já está na bomba número 2 :)