Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1200
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
o posto mais sensato que já tive em alguns meses! ... Preciso de pensar nisso, já não o faço há muito tempo, preciso de preparar o meu corpo, as férias estão a chegar!
Bem, para ter probabilidade de você precisar de pesquisa (experimentos, no nosso caso teste), não há outra maneira, só a mineração de dados vai ajudar, mas eu não olho para tutoriais do YouTube, você continua voltando para mim, cada lição é Python (((
vamos começar python antes do talov depois de janeiro )) no 2Q talvez
Não sei se isso vai ajudar, mas! Podes tentar a correlação. Imagine o resultado ideal que você quer como a curva que você quer, então no processo de encontrar o melhor modelo, compare o resultado atual com o ideal (sua curva ideal), calculando a correlação. O modelo com a correlação mais próxima do ideal será o mais próximo do modelo que você está procurando
Obrigado pela idéia, mas não é viável, porque o ideal é muito abstrato - não está claro o que deveria ser. À primeira vista, cada iteração deveria dar melhorias, ou mesmo alguma melhoria incremental, mas esta é uma idéia trivial, e não está claro agora porque os desenvolvedores de software MO não a implementaram. Ou é uma curva de aprendizagem demasiado longa que tornará o produto que cria o modelo não competitivo, ou houve um teste real da ideia e não foram encontrados benefícios.
Há poucos artigos sobre busca de padrões através de um terver, por alguma razão.
E quase não há informação sobre Bayes, e onde há, é difícil de acertar.
O principal problema da Bayes é escolher a distribuição a priori correta. No nosso caso, tudo é complicado pela não-estacionariedade - pode parecer que há dependência do tempo.
Parece óbvio construir o a priori sobre uma grande história e o posterior sobre uma pequena história. O problema está na separação correta dessas partes da história sob a não-estacionariedade.
São precisamente artigos sobre a busca de padrões através de um terver que, por alguma razão, são escassos em termos de informação
Porque não - toneladas dela, proibitiva, impossível de dominar. Chama-se GARCH. Aí um modelo é composto por três partes:
O que mais se precisa para ser feliz, no sentido de um teórico?
Talvez seja por isso que não está disponível em nenhum lugar, já que tudo é coletado em uma variedade de garagens (uma vez eu postei um link - mais de 100 garagens diferentes)?
O principal problema com os Bayesianos é escolher a distribuição a priori correta. No nosso caso é complicado pela não-estacionariedade - a dependência do tempo pode aparecer.
Parece óbvio construir o a priori sobre uma grande história e o posterior sobre uma pequena história. O problema é isolar corretamente essas seções da história diante da não-estacionariedade.
Sim, isto é óbvio e, além disso, já é feito através do MO (ao nível de compreensão). O segundo modelo corrige os sinais do primeiro após cada passo. Acabou por ser muito fácil, rápido e adaptável... mas é preciso mais pesquisa. Eu até desenvolvi uma teoria (Bayesiana, de uma forma inteligente).
Porque não - toneladas, proibitivo, impossível de dominar. Chama-se GARCH. Aí o modelo é composto por três partes:
O que mais se precisa para ser feliz, no sentido de um teórico?
Talvez seja por isso que não se encontra em lado nenhum, pois tudo é recolhido numa variedade de garagens (uma vez que publiquei links - mais de 100 garagens diferentes)?
ou talvez seja difícil de comparar em mente... por exemplo, as probabilidades condicionais, articulações, etc., podem ser definidas através de uma veste?
ou seja, se eu quiser apenas definir o intervalo de busca por assim dizer, procure padrões de longe, em diferentes combinações de, digamos, incrementos, intervalos de tempo ou o que quer que seja.
Eu quero algo semelhante em python (o mesmo tempo será praticado).
algo como isto: https://www.mql5.com/ru/articles/3264Sim, isto é óbvio e, além disso, já feito através do MO (no seu nível de compreensão). O segundo modelo corrige os sinais do primeiro após cada passo. Acabou por ser muito fácil, rápido e adaptável... mas precisa de mais pesquisa. Eu até lhe encaixei uma teoria (Bayesiana, de uma forma inteligente).
Há outra forma óbvia de construir uma distribuição a priori. Se alguém assumir que os preços "no limite/em média" se comportam como SBs, então também se pode construir esta distribuição sobre SBs. Em casos raros isto pode ser feito analiticamente, mas normalmente por Monte Carlo. O método é mais complexo e não necessariamente melhor do que os anteriores.
Há outra forma óbvia de construir uma distribuição a priori. Se alguém assumir que os preços "no limite/em média" se comportam como SBs, então também se pode construir esta distribuição sobre SBs. Em casos raros isto pode ser feito analiticamente, mas normalmente por Monte Carlo. O método é mais complicado e não necessariamente melhor do que o anterior.
normal, sharya :) ou como outro Aleksey mostrou curvas de distribuição de sinal modelo em uma amostra treinada, base normal para a priori.
estas são todas coisas robustasnormal, sharite :) ou, como outro Alexei mostrou curvas de distribuição de sinal modelo em uma amostra treinada, uma base normal para a priori.
estas são todas coisas robustasTudo é estragado pela não-estacionariedade, que pode ser tanto afiada como arrepiante.
normal, você sabe :) ou como outro Alexey mostrou curvas de distribuição de sinal modelo em uma amostra treinada, uma base normal para a priori.
estas são todas coisas robustasSe se refere a mim, eu mostrei curvas numa amostra de teste e numa amostra de teste - eu nem sequer olho para a amostra para treinar...