Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2575

Yeni yorum
 
Alexey Nikolaev # :

Makalede, üretilen veriler üzerinde Kalman test ediliyor. Gerçek veriler üzerinde LS'nin kayan versiyonundan daha iyi olacağından emin değilim.

Hayır, hayır, gerçekte, her şey adil Y_ 

head(Y_)
                EWH      EWZ
2000 - 08 - 01 1.947204 2.298111
2000 - 08 - 02 1.971071 2.285039
2000 - 08 - 03 1.994382 2.278438
2000 - 08 - 04 1.994382 2.317404
2000 - 08 - 07 2.012648 2.317404
2000 - 08 - 08 1.985123 2.317404

Burada mu ve gamayı Y_'ye göre hesaplıyoruz. 

Kalman <- estimate_mu_gamma_Kalman(Y_)

ve geriye dönük test   buna göre   Y_ 

return_Kalman <- pairs_trading(Y_[ "::2003-03" ], Kalman$gamma[ "::2003-03" ], Kalman$mu[ "::2003-03" ], 
                               "Kalman" , plot = TRUE)



Ama mesele bu değil, tahmin_mu_gamma fonksiyonlarında .... blabla

regresyon ve hareketli regresyon tren ve teste ayrılır, yeni verileri tahmin etmek için bir modelleri var gibi görünüyor (yeni yayılma), ancak kalman için hiçbiri yok, içeride nasıl çalıştığını anlamıyorum, yeni kullanarak bir yayılma nasıl oluşturulur veri. Ve şifre o kadar anlaşılmaz ki gözlerden kan akıyor bile

 
mytarmailS # :

Bu kalmanla ilgili hiçbir şey net değil ((

Orada, her durumda, her üç strateji de seçilir, Kalman'dan önce ikincisini seçmek muhtemelen daha kolaydır - aynı ilkeye sahiptir - zamanla uyarlanabilirlik, ancak daha basittir.

 
Andrey Trukhanoviç

Orada, her durumda, her üç strateji de seçilir, Kalman'dan önce ikincisini seçmek muhtemelen daha kolaydır - aynı ilkeye sahiptir - zamanla uyarlanabilirlik, ancak daha basittir.

Andrew değil, ikinci yuvarlanan LS çok kötü çalışıyor

Hala alınan çok iyi çiftler var... Gerçeği alırsak, Tanrı Schaub'a Kalman'ın bir şey göstermesini yasaklıyor.

 
mytarmailS # :

Andrew değil, ikinci yuvarlanan LS çok kötü çalışıyor

Hala alınan çok iyi çiftler var... Gerçeği alırsak, Tanrı Schaub'a Kalman'ın bir şey göstermesini yasaklıyor.

Yani bu resim simüle edilmiş veriler üzerinde bir karşılaştırmadır. Gerçek verilere göre, sonunda daha fazlası var ve ilk yarısında Kalman biraz daha kötü.

Kabaca söylemek gerekirse, kalman için bazı önsel varsayımlar yapılır ve gerçekte bunlar doğruysa, kalman çok daha iyi olacaktır ve bunun tersi de geçerlidir.

 
Alexey Nikolaev # :

Kabaca söylemek gerekirse, kalman için bazı önsel varsayımlar yapılır ve gerçekte bunlar doğruysa, kalman çok daha iyi olacaktır ve bunun tersi de geçerlidir.

Yol boyunca değil.. Verileri sadece eğlence için simüle etti, ortaya çıktı ..

İşte gerçek verilerle ilgili eğitim modelleri Y_ 

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

sonra spreadler almak 

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")

sonra geriye dönük test


Te Kalman, gerçek geriye dönük testten önce sentetik veriler konusunda eğitilmedi

 
mytarmailS # :

Yol boyunca değil.. Verileri sadece eğlence için simüle etti, ortaya çıktı ..

İşte gerçek verilerle ilgili eğitim modelleri Y_

sonra spreadler almak

sonra geriye dönük test


Te Kalman, gerçek geriye dönük testten önce sentetik veriler konusunda eğitilmedi

Önsel varsayımlar, ilk olarak, bir pakete bağlanmış doğrusal bir modeldir (Kalman bölümünün başında açıklanmıştır) ve ikinci olarak, genel olarak konuşursak, tavandan alınan bu modelin başlatma parametreleridir.

 
mytarmailS # :

Andrew değil, ikinci yuvarlanan LS çok kötü çalışıyor

Tam olarak değil. Önceki grafiklere bakarsanız, örneğin ~ üçte birinden geçtikten sonra gerçek "yuvarlanmanın" açıldığını görebilirsiniz. gerçek veriler üzerinde, eğer bir geçmiş varsa, böyle bir sorun olmayacaktır.

Ama yine de Kalman muhtemelen daha iyi, ama yine de ocaktan çıkarmanın daha iyi olduğunu düşünüyorum.

 
mytarmailS # :

Evet, evet .. özellikle hümanist ise

Bu öğretmek için süsen üzerinde bir orman değil)


Bu kalmanla ilgili hiçbir şey net değil ((

Mashka (aka Kalman), sonuçta ortaya çıkan yayılma üzerinden hesaplanır ve elbette "gürültüyü" yumuşatır.
 
Maksim Dmitrievski # :
Mashka (aka Kalman), sonuçta ortaya çıkan yayılma üzerinden hesaplanır ve elbette "gürültüyü" yumuşatır.

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

Kalman bir mashka değil!
Kalman Filter: Modelling Time Series Shocks with KFAS in R | DataScience+
  • Python and R tutorials
  • datascienceplus.com
When it comes to time series forecasts, conventional models such as ARIMA are often a popular option. While these models can prove to have high degrees of accuracy, they have one major shortcoming – they do not typically account for “shocks”, or sudden changes in a time series. Let’s see how we can potentially alleviate this problem using a...
 
mytarmailS # :

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

Bunu zaten 1 bar için tahminlerinin örneklerini kullanarak Rena ve traktörle "geçtik"))) gülüyorum

bir durumda önde olacak, diğerinde geç olacak, toplam 50/50

1...256825692570257125722573257425752576257725782579258025812582...3399
Yeni yorum