交易中的机器学习：理论、模型、实践和算法交易 - 页 1014

新评论
 
亚历山大_K2。

在这里我将不厌其烦地引用科尔莫戈罗夫的摘录。

换句话说，认为是。

1.返回

2.回报的ACF

如果ACF满足以下条件。

那么这样一个离散的返回者系列是可以预测的。

这就是全部。

没有其他预测因素。

价格增量的ACF从何而来？它们显然是非稳态的，协方差函数将取决于两个变量：B=B(t,k)，你根本没有足够的数据来计算它。

 
阿列克谢-尼古拉耶夫。

价格增量的ACF从何而来？它们显然是非稳态的，协方差函数将取决于两个变量：B=B(t,k)，你根本没有足够的数据来计算它。

图中所示的ACF是取自ARIMA的算法。它是由最后的n条计算出来的。

 
forexman77:

图片中的ACF算法取自ARIMA。它是按最后的n条来计算的。

首先，我的评论是关于将科尔莫戈罗夫关于静止过程的文章不适当地附加到明显的非静止情况。

虽然，ARIMA也将一切简化为静止性，但这对价格来说只能是近似真实的，而且只能在某些时间间隔内（例如，在趋势期间有一个自回归系数，在随后的平坦期间有另一个自回归系数）。我们无法预测何时改变模型，这是非平稳性的结果。

 
阿列克谢-尼古拉耶夫。

首先，我的评论是关于将科尔莫戈罗夫关于静止过程的文章不适当地附加到明显的非静止情况。

虽然，ARIMA也将一切简化为静止性，但对价格来说，只有近似地和只在某些时间间隔内才是真实的（例如，在趋势期间有一个自回归系数，但在随后的平坦期间有另一个自回归系数）。我们无法预测何时需要改变模型，这是非平稳性的结果。

+

 
forexman77:

周期性是什么意思？

而据我所知，ACF不仅仅是产品的总和。有一个更复杂的算法。



我坚持我的观点--离散系列回归者的ACF估计是2个连续滑动样本回归者的乘积之和。

关于周期性...

我认为更简单的方法是这样。

人们应该在当前ACF值>0时进行交易（预测下一个回调者），即当增量有明显的依赖性时，即所谓的 "记忆"。

 
亚历山大_K2。

我坚持我的观点--离散系列回归者的ACF估计是2个连续移动样本回归者的乘积之和。

关于周期性...

我认为更简单的方法是这样。

当ACF>0时，即当增量有明显的依赖性时，即所谓的 "记忆"，进行交易（预测下一个回调者）。

看一下指标，是这样还是应该改变一些东西？

 
Forexman77:

看一下指标，是这样还是应该重新做一些事情？增量的绝对值 可能还是最好留下（减数乘以减数加），那么最小值就只能是0。

对不起，不能。忙着寻找扩散过程中的圣杯。是我--我在这里尽我所能地帮助，因为我相信神经网络和森林。

 
亚历山大_K2。

对不起，我不能。忙着寻找扩散过程中的圣杯。我只是在这里尽可能地提供帮助，因为我相信神经网络和森林。

然后我就把指标拿掉？

 
Forexman77:

然后我把指示器拿掉？

是的，我们不需要一个指标。我们需要科尔莫戈罗夫预测器。没有别的办法，你可以再继续做1000页的搞笑。

 
亚历山大_K2。

我坚持我的观点--离散系列回归者的ACF估计是2个连续移动样本回归者的乘积之和。

关于周期性...

我认为更简单的方法是这样。

人们应该在ACF>0时进行交易（预测下一个回调者），即当增量有明显的依赖性时，即所谓的 "记忆"。

1）非稳态过程没有ACF。从你建议的关于非稳态过程的时刻的书集中，至少要读到奥尔洛夫。

2）非稳态过程的 "记忆 "也不好。当它不存在时（具有独立增量的非稳态过程），如果我们像对稳态过程那样进行计算，就可以找到它。你可以拥有它，但它在任何时候都可能是不同的，而且不清楚这个过程在那一刻到底 "记住 "了什么。

1...100710081009101010111012101310141015101610171018101910201021...3399
新评论