Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2575

[mytarmailS]

Andrei Trukhanovich #:

Там в любом случае все три стратегии расковыривать, проще наверное перед калманом расковырять вторую - у нее тот же принцип - адаптивность во времени, но она проще.

Не Андрей , вторая  rollingLS очень плохо работает 

Там еще пары очень неплохие взяты ... Если брать реальность то дай бог шоб тот калман чего то да показал

[Aleksey Nikolayev]

mytarmailS #:

Не Андрей , вторая  rollingLS очень плохо работает 

Там еще пары очень неплохие взяты ... Если брать реальность то дай бог шоб тот калман чего то да показал

Так эта картинка и есть сравнение на смоделированных данных. На реальных данных там дальше в конце и на их первой половине калман даже чуть похуже.

Грубо говоря, для калмана делаются некие априорные предположения и если они верны в реальности, то калман будет гораздо лучше и наоборот.

[mytarmailS]

Aleksey Nikolayev #:

Грубо говоря, для калмана делаются некие априорные предположения и если они верны в реальности, то калман будет гораздо лучше и наоборот.

По ходу нет.. Симулировал он данные просто для прикола получаеться..

Вот обучение моделей на реальных данных Y_

LS <- estimate_mu_gamma_LS(Y_)
rolling_LS <- estimate_mu_gamma_rolling_LS(Y_)
Kalman <- estimate_mu_gamma_Kalman(Y_)

потом получение спредов

spread_LS <- compute_spread(Y_, LS$gamma, LS$mu, "LS")
spread_rolling_LS <- compute_spread(Y_, rolling_LS$gamma, rolling_LS$mu, "rolling-LS")
spread_Kalman <- compute_spread(Y_, Kalman$gamma, Kalman$mu, "Kalman")

потом бектест

Те Калман не обучался на синтетических данных перед реальным бектестом

[Aleksey Nikolayev]

mytarmailS #:

По ходу нет.. Симулировал он данные просто для прикола получаеться..

Вот обучение моделей на реальных данных Y_

потом получение спредов

потом бектест

Те Калман не обучался на синтетических данных перед реальным бектестом

Априорные предположения - это во-первых линейная модель зашитая в пакет (описана в начале раздела про калмана) и во-вторых параметры инициализации этой модели берущиеся, вообще говоря, с потолка.

[Andrei Trukhanovich]

mytarmailS #:

Не Андрей , вторая  rollingLS очень плохо работает 

На самом деле нет. Если посмотрите предыдущие графики, то видно, что собственно "rolling" включается после прохождения ~ трети выборки. на реальных данных если есть история такой проблемы не будет.

Но таки калман наверное все равно лучше, но все еще считаю что расколупывать лучше от печки.

[Maxim Dmitrievsky]

mytarmailS #:

Та да.. особенно если гуманитарий

Это не форест на ирисах обучать )

Ничерта с этим калманом не понятно((

МАшку (оно же Калман) на полученном спреде считают, сглаживая «шум», вестимо

[mytarmailS]

Maxim Dmitrievsky #:
МАшку (оно же Калман) на полученном спреде считают, сглаживая «шум», вестимо

https://datascienceplus.com/kalman-filter-modelling-time-series-shocks-with-kfas-in-r/

Калман не машка!

[Maxim Dmitrievsky]

mytarmailS #:

https://datascienceplus.com/kalman-filter-modelling-time-series-shocks-with-kfas-in-r/

Такое мы уже с Реной и трактором "проходили", на примерах их предсказаний на 1 бар ))) чота ржу

в одном случае оно будет опережать, в другом запаздывать, итого 50/50

[mytarmailS]

Andrei Trukhanovich #:

На самом деле нет. Если посмотрите предыдущие графики, то видно, что собственно "rolling" включается после прохождения ~ трети выборки. на реальных данных если есть история такой проблемы не будет.

Но таки калман наверное все равно лучше, но все еще считаю что расколупывать лучше от печки.

Завтра сделаю на регресии скользящей, посмотрим как сливать будет))

[mytarmailS]

Maxim Dmitrievsky #:

Такое мы уже с Реной и трактором "проходили", на примерах их предсказаний на 1 бар ))) чота ржу

в одном случае оно будет опережать, в другом запаздывать, итого 50/50

Ты бы хоть изучил елементарное...

Адаптивное сглаживание в априори не может быть хуже обычного