Em primeiro lugar foi utilizado um intercâmbio normal, em segundo lugar provavelmente o principal dado que foi alimentado foi o copo de mercado, além de que você pode obter volumes separados lá, e em terceiro lugar foi a moeda criptográfica.
O Pdf é barbudo, não acho que seja tão fácil agora, é muito mais difícil de negociar.
Mas eu acho que ainda é possível beliscar.
Se você quiser fazer tal coisa com forex, beber água fria, eu lhe direi imediatamente - não vai funcionar com 99% de probabilidade.
Em primeiro lugar, foi usado um câmbio normal, em segundo lugar, provavelmente os principais dados que foram alimentados são uma taxa de mercado, além de que você pode obter volumes separadamente, e em terceiro lugar, é uma moeda criptográfica.
O Pdf é barbudo, não acho que seja tão fácil agora, é muito mais difícil de negociar.
Mas eu acho que ainda é possível beliscar.
Se você quiser fazer tal coisa com forex, beber água fria, posso lhe dizer agora mesmo - não vai funcionar com 99% de probabilidade.
Obrigado.
Interessado na opinião sobre se esta estratégia pode ser utilizada em forex. Tenho muitas opiniões diferentes, especialmente preciosas, que são baseadas na experiência prática.
As opiniões podem variar, especialmente aquelas baseadas na experiência prática são valiosas.
Obrigado.
Estou interessado na opinião sobre a possibilidade de utilizar esta estratégia em forex. As opiniões podem variar, especialmente aquelas baseadas na experiência prática são valiosas.
Aregressão Bayesiana é semelhante à regressão de cristas, mas é baseada na suposição de que o ruído (erro) nos dados é normalmente distribuído - por isso, supõe-se que um entendimento geral da estrutura dos dados já esteja disponível, e isto torna possível obter um modelo mais preciso (comparado com a regressão linear, com certeza).
Daí: http://datareview.info/article/10-tipov-regressii-kakoy-vyibrat/
Devido à suposição de normalidade dos erros, questiono a aplicabilidade deste método aos mercados financeiros.
Além disso, em qualquer modelo onde a dependência é apenas estimada como um hiperplano, há uma chance de faltar uma borda não linear, que é o que pode tornar o modelo rentável.
![10 типов регрессии – какой выбрать? 10 типов регрессии – какой выбрать?](https://c.mql5.com/36/8/10-tipov-regressii-kakoy-vibrat.png)
- votos: 4
- datareview.info
Devido à suposição de normalidade dos erros, questiono a aplicabilidade deste método aos mercados financeiros.
Realmente não depende muito da regressão, mais dos dados de entrada.
Eu até reforçaria seu ponto: o sucesso da modelagem não é determinado pelos modelos (se aplicados corretamente), mas pelos dados de entrada. Em minha experiência, alguns conjuntos de dados de entrada SEMPRE levam a modelos com excesso de treinamento, e se você trabalhar com eles, você pode muito bem descobrir que pode obter modelos que não são com excesso de treinamento. Acredito que o principal mal da modelagem - o excesso de adaptação - é determinado pelos dados de entrada. Resolver este problema com a regularização é uma meia-medida.
Aos mais promissores me refiro: ada, floresta aleatória, SVM.
O modelo Bayesiano devido à suposição de normalidade do erro (assim como muitos outros modelos) é melhor não usar.
Eu até reforçaria seu ponto: o sucesso da modelagem não é determinado pelos modelos (se aplicados corretamente), mas pelos dados de entrada. Em minha experiência, alguns conjuntos de dados de entrada SEMPRE levam a modelos supertreinados, e se você trabalhar com eles, pode muito bem acabar com modelos não-treinados. Acredito que o principal mal da modelagem - o excesso de adaptação - é determinado pelos dados de entrada. Resolver este problema com a regularização é uma meia-medida.
Aos mais promissores me refiro: ada, floresta aleatória, SVM.
O modelo Bayesiano devido à suposição de normalidade do erro (assim como muitos outros modelos) é melhor não usar.
Obrigado.
Também estou interessado na opinião sobre a abordagem comercial descrita no artigo.
Por quê? Você acha que a lei da distribuição normal não funciona nos mercados financeiros? Se você considerar o ruído (erros) como quantidades aleatórias, então é perfeitamente apropriado usar a distribuição gaussiana para eles.
Uma situação em que os erros serão realmente normais é rara, e isto requer uma reprodução cuidadosa da função de densidade de probabilidade para a série original no modelo. Isto será realizável? Essa é a questão. E se a plausibilidade das estimativas dos parâmetros do modelo depender disso, você pode falhar. Eu utilizaria métodos não paramétricos, a mesma floresta aleatória, GBM, SVM não linear.
Mas, em geral, as pessoas que entendem bem a regressão linear e podem fazer engenharia de recursos têm obtido melhores resultados nos mercados financeiros do que adivinhações aleatórias.
![MQL5 - Linguagem para estratégias de negociação inseridas no terminal do cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Você concorda com a política do site e com os termos de uso
A estratégia é capaz de quase dobrar o investimento em um período inferior a 60 dias, quando se corre contra o rastreamento de dados reais.
I. Regressão Bayesiana O problema. Consideramos a questão da regressão: recebemos n pontos de dados rotulados de treinamento (xi,yi) para 1 ≤ i ≤ n com xi ∈ Rd,yi ∈ R para alguns fixed d ≥ 1. O objetivo é usar estes dados de treinamento para prever o rótulo desconhecido y ∈ R para dado x ∈ Rd. A abordagem clássica. Uma abordagem padrão das estatísticas não paramétricas (ver [3] por exemplo) é assumir um modelo do seguinte tipo: os dados rotulados são gerados de acordo com a relação y = f(x)+ onde é uma variável aleatória independente representando ruído, geralmente assumida como sendo gaussiana com média 0 e variância (normalizada) 1. O método de regressão se desce para estimar f de n observação (x1,y1),...,(xn,yn)e utilizando-o para previsão de futuro. Por exemplo, se f(x) = xTθ∗, ou seja, f é suposto ser uma função linear, então a estimativa clássica dos mínimos quadrados é usada para estimar θ∗ ou f: ˆ θLS ∈argmin ∈argmin θ∈Rd n X i=1 (yi -xT i θ)2 (1) [...]Regressão Bayesiana e Bitcoin.pdf