Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 587
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
Não, tudo se resumiu a construir séries pseudo-estacionárias de forma consistente, a reeducar-se o mais possível... é basicamente isso que estou a fazer
ou construir filtros lineares/não lineares... Entendo que antes disso é necessário considerar a dinâmica da mudança na influência dos preditores sobre o alvo, e tentar adaptar a saída através de coeficientes de filtragem, dependendo das mudanças no ambiente
bem, nada de especial em geral. Pelo menos neste capítulo.
Uma vez o problema da não-estacionariedade nos modelos de aprendizagem de máquinas, discuti comVladimir Perervenko.
Ele convenceu-me que o problema da não-estacionariedade não tem nada a ver com MO. Como nunca lidei com a NS, não tive argumentos para refutar a sua opinião. Além disso, eu tinha uma compreensão intuitiva de que várias árvores e outras, exceto a NS, funcionam bem com preditores não-estacionários.
Seu posto e a referência a sua experiência pessoal dizem o contrário, pelo menos em relação à NS deve-se levar em conta os preditores não estacionários.
Se isto for verdade, então existe quase a única ferramenta disponível hoje em dia que tenta trabalhar em séries não estacionárias - modelos de garch. Filtros, reciclagem em todos os bares... não são capazes de resolver o problema da não-estacionariedade - um dreno é garantido, ele escorregará através da parada...
Mas a questão permanece sobre os outros modelos, e há muitos deles. Não tenho provas de que a não-estacionariedade tem de ser tida em conta. A reciclagem nos modelos que tentei é sempre devida aos preditores de ruído.
Note que, para mim, a resolução de problemas de não-estacionariedade e/ou preditores de ruído são problemas fundamentais na aprendizagem de máquinas. O nível de resolução destes problemas determina o nível de erro de modelagem. A complexidade de aplicar os próprios modelos é ridícula e não é levada em conta por mim.
Se for este o caso, então há quase a única ferramenta actualmente disponível que tenta trabalhar em séries não estacionárias - estes são modelos de garch. ...
Eu diria que, de momento, não há uma única ferramenta que preveja eficazmente
há casos individuais - golpes temporários ocasionais em olho de touro, quando, em períodos de tempo, você pode fazer um bom lucro
ou exploração de padrões de arbitragem, calculando a
o que você e eu estamos fazendo - um sistema que pode fazer previsões inteligentes... é uma ficção científica em termos de compreensão de todos os tipos de processos e modelos de mercado :)
É a coisa mais selvagem, as pessoas vêm aqui, lêem, e depois correm em pânico para afogar suas mágoas com a sensação de impotência :)
Eu diria que neste momento não há uma única ferramenta que seja eficaz para prever
há casos isolados - ocasionais batidas temporárias de bullseye, quando, periodicamente, você pode fazer um bom lucro
ou exploração de padrões de arbitragem, calculando a
o que você e eu estamos fazendo - um sistema que pode fazer previsões inteligentes... Eu acredito que é uma ficção científica tanto na compreensão de todos os tipos de processos e modelos :)
https://github.com/uber/pyro
Garch.... ...vestes... De que vestimenta estás a falar? - Em R há 24 destas garchas por palavras-chave, por pacotes, provavelmente cerca de 12. Bom e diferente).
Junte-se a
O pacote rugarch: ARMA(1,1); RealGARCH; Beveled t-distribution. Muitas afinações.
Eu diria que, de momento, não há uma única ferramenta que preveja eficazmente
há casos individuais - ocasionais golpes temporários no bullseye quando, periodicamente, você pode fazer um bom lucro
ou exploração de padrões de arbitragem, calculando a
o que você e eu estamos fazendo - um sistema que pode fazer previsões inteligentes... é uma ficção científica em termos de compreensão de todos os tipos de processos de mercado, bem como de modelos :)
É o mais selvagem, as pessoas vêm aqui, lêem, e depois correm em pânico para preencher a dor do sentimento de impotência :)
Sinto-me sem esperança. Eu devia fazer uma pausa e ir em frente, começando com a Datamining.
Lembro-me que tinhas cerca de 70% de previsões adequadas. Eu escrevi o post acima.
Eu tentei ensinar o meu Mestrado (não o habitual, mas ouro, ou seja, não padrão) para prognosticar. Aprendi a prever cerca de 30% das séries cronológicas e tudo estava bem, mas nunca vi nada correcto. Mas não há como usá-lo de forma realista.
Bem, 70% correcto não é nada. Desses 70% corretos para entrar no ofício, pelo menos cerca de um terço. Isto deixa-nos com 23%. Não é nada contra 30% das previsões erradas (não sabemos de antemão se elas estão certas ou erradas). E as previsões erradas são como que nas áreas de inflexão (mudança de direção), e essas áreas são exatamente as mais adequadas para o comércio.
Com base nisso, acredito que é inútil fazer uma previsão, mas antes engajar-se na classificação. Isto é, para determinar se um certo momento é adequado para fazer um acordo. Se eu olhar para padrões, recebo o erro de entrada 20-40% mais números exatos que eu dei anteriormente neste tópico.
Agora, 70% daqueles que estão certos não é nada. Desses 70%, cerca de um terço estão correctos para entrar no comércio.
Porquê um terço?
Todos 70%. A previsão é válida por 1 hora. Então, novamente.
A previsão é fútil e você deve classificar.
Eu não entendo nada.
Por exemplo, às 13h vem a influência da combinação do preditor, que diz que vai durar muito na próxima hora, ou seja, até a próxima influência, até às 14h.
Como é que se tem uma classificação sem uma previsão? Por que você precisa de alguma classificação nos mercados financeiros, se ela não é uma previsão?
Como é que essa classificação existe sem previsão? Por que você precisa mesmo de uma classificação nos mercados financeiros se ela não prevê?