交易中的机器学习:理论、模型、实践和算法交易 - 页 1590 1...158315841585158615871588158915901591159215931594159515961597...3399 新评论 Aleksey Nikolayev 2020.01.11 14:41 #15891 安德烈。 我在5年前读过这篇文章,很有意思,但没有太多的补充信息,作者在用OHLC做文章,以获得更 "方便 "的波动率指标,这在原则上并不新鲜,早在上个世纪的经典著作Dacorogna《高频金融入门》中,就建议采取平均绝对收益,而不是RMS值作为波动率的衡量标准。波动的可预测性也是一个众所周知的事实。 它取决于两个因素,季节性和惯性,占其影响的95%。但是,即使我们根据波动率来调整(对数)回报,也不会有任何结果,我们需要一个交易的标志,而且它不会以任何方式影响分布。 例如,如果你拿一个高斯噪声,不管是否有静止性,你显然不能用以前的样本来预测下面的,但如果你把这个系列的数据整理出来,例如,这不会改变分布,但会使它完全可预测,那么你就可以在大范围内玩弄动态波动,使它成为非静止的,但仍然容易预测的。 不在一个时间框架上做这一切是有意义的,而是在其中的一些片段上做,将所得的情况与具有类似方差的高斯SB上的情况进行比较。 Maxim Dmitrievsky 2020.01.11 14:57 #15892 阿列克谢-尼古拉耶夫。 如果需要严格的话,我们可以认为我们谈论的是广义上的收益对数的缺乏静止性,比如说。 https://github.com/BlackArbsCEO/mixture_model_trading_public/blob/master/notebooks/current_public_notebooks/03_Are_Gaussian_Mixture_Components_More_Stationary_2019-01-01.ipynb BlackArbsCEO/mixture_model_trading_public BlackArbsCEOgithub.com Contribute to BlackArbsCEO/mixture_model_trading_public development by creating an account on GitHub. Андрей 2020.01.11 15:08 #15893 阿列克谢-尼古拉耶夫。 不在一个时间框架上做这一切,而是在其中的某一段上做,将所得的情况与具有类似方差的高斯SB上应该有的情况进行比较,是有一定意义的。 关于回归者的分布,非常重要的是,由于平均化的琐碎原因(我们都记得,非正态分布的聚集会得到一个正态分布),时间框架越高,分布就越高斯化。市场上真正的 "随机 "事件只是通过下单/拉单 或交易来改变一个最佳值(askbid);即使是一分钟内的tick聚合也会改变分布,使其更接近高斯分布(要从均匀分布变成高斯分布,需要12次迭代),真正的市场分布只是tick分布,而且根本不是正态的。 Maxim Kuznetsov 2020.01.11 15:24 #15894 安德烈。 关于回归者的分布,非常重要的是,由于平均化的琐碎原因,时间框架越高,分布就越高斯(我们都记得,非正态分布的聚集会得到一个正态分布)。市场上真正的 "随机 "事件只是一个最好的(askbid)的变化,通过下单/拉单 或执行交易,即使在一分钟内,tick的聚集也会改变分布,使其更接近高斯分布(12次迭代足以将均匀分布变成高斯分布),真正的市场分布只是tick分布,它根本不是正常的。 对于货币来说,即使它是不真实的。更准确地说,它根本不是真实的,也根本不是 "正常 "的(也不是在分布方面)。 因为没有中心。没有单一的蜱虫来源,也不能保证它们会到达用户手中。不仅一个特定服务器的 "假设流量 "是其他服务器聚合的产物,而且由于技术原因,这个流量也被服务器和终端稀释了。 蜱虫的统计特征取决于具体的DC、其同行和他们的软件。 Aleksey Nikolayev 2020.01.11 15:33 #15895 安德烈。 关于回归者的分布,非常重要的是,由于平均化的平庸原因,时间框架越高,分布就越高斯(我们都记得,非正态分布的聚集会得到一个正态分布)。市场上真正的 "随机 "事件只是通过下单/拉单 或执行交易来 改变一个最佳值(askbid);即使在一分钟内,tick的聚集也会改变分布,使其更接近高斯分布(12次迭代足以改变均匀的高斯分布),真正的市场分布只是tick分布,它根本不是正常的。 然而,在tick层面上,更正确的模型是泊松过程的某种变体,例如具有跳跃的离散分布和非恒定强度(不是恒定时间函数)的复合泊松过程)。然而,这忽略了真实交易时间的离散性。 直方图的形状取决于我们遇到的是哪些区域(Maxim Dmitrievsky在上面写了关于混合物的内容)。有时它甚至会导致双驼峰直方图。 Maxim Dmitrievsky 2020.01.11 15:34 #15896 由于我不知道如何将一个完全的马尔科夫模型转移到metac,我的想法是在Python中对所有的季节性成分进行聚类,然后训练一个简单的MOH来预测聚类,在一个测试样本上进行测试。并将其转移到终端。这将是第3号炸弹。 预计每个集群都会有一个恒定的方差和矩阵。 Boris 2020.01.11 15:40 #15897 马克西姆-德米特里耶夫斯基。 由于我不知道如何将一个完全的马尔科夫模型转移到metac,我的想法是在Python中对所有的季节性成分进行聚类,然后训练一个简单的MOH来预测聚类,在一个测试样本上进行测试。并将其转移到终端。这将是第3号炸弹。 预计每个群组都会有恒定的方差和矩阵。 我认为,即使两者都在非宽泛的范围内浮动,这也不是什么大问题 Maxim Kuznetsov 2020.01.11 15:42 #15898 马克西姆-德米特里耶夫斯基。 由于我不知道如何将一个完全的马尔科夫模型转移到metac,我的想法是在Python中对所有的季节性成分进行聚类,然后训练一个简单的MOH来预测聚类,在一个测试样本上进行测试。并将其转移到终端。这将是第3号炸弹。 预计每个群组都有恒定的方差和矩阵。 Bomba #5是趋势性的,有特定的速率,在相等的间隔内重复。但你也必须通过第4项 Igor Makanu 2020.01.11 15:56 #15899 阿列克谢-尼古拉耶夫。 不过,在tick层面上,更正确的模型是泊松过程的某种变体,例如具有跳跃的离散分布和可变强度的复合泊松过程(不是恒定时间函数))。 这是不可能的,原因有很多,它已经被研究了很久,甚至与DC服务器的勾选过滤无关。 这就是我所知道的要寻找的https://www.mql5.com/ru/forum/102066/page9#comment_2968124,在这张图片中,箭头是一个异常点。 这类问题会一直存在,这就是市场的运作方式--为什么会出现这些问题是另一个问题。 如果你按照你关于跳动的假设,你会考虑这些尖峰,但这些尖峰并没有形成进一步的运动方向,最多只是发生在一个柱子的高/低点。 我找不到Prival的tick指标的截图,它非常善于表现这些峰值--所以你不必猜测tick的来源。 一种可能性是MM经常在报价流中混合升/降价,有时间滞后,但这是一个真实的报价!))) Maxim Dmitrievsky 2020.01.11 15:57 #15900 Maxim Kuznetsov: Bomba #5具有特定的节奏,以固定的间隔重复,是一种趋势性的运动。但你也必须通过第4项 它已经在第2号炸弹中了 :) 1...158315841585158615871588158915901591159215931594159515961597...3399 新评论 您错过了交易机会: 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符(不带空格) 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号,请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置,否则您将无法登录。 忘记您的登录名/密码? 使用 Google 登录
我在5年前读过这篇文章,很有意思,但没有太多的补充信息,作者在用OHLC做文章,以获得更 "方便 "的波动率指标,这在原则上并不新鲜,早在上个世纪的经典著作Dacorogna《高频金融入门》中,就建议采取平均绝对收益,而不是RMS值作为波动率的衡量标准。波动的可预测性也是一个众所周知的事实。 它取决于两个因素,季节性和惯性,占其影响的95%。但是,即使我们根据波动率来调整(对数)回报,也不会有任何结果,我们需要一个交易的标志,而且它不会以任何方式影响分布。
例如,如果你拿一个高斯噪声,不管是否有静止性,你显然不能用以前的样本来预测下面的,但如果你把这个系列的数据整理出来,例如,这不会改变分布,但会使它完全可预测,那么你就可以在大范围内玩弄动态波动,使它成为非静止的,但仍然容易预测的。
不在一个时间框架上做这一切是有意义的,而是在其中的一些片段上做,将所得的情况与具有类似方差的高斯SB上的情况进行比较。
如果需要严格的话,我们可以认为我们谈论的是广义上的收益对数的缺乏静止性,比如说。
https://github.com/BlackArbsCEO/mixture_model_trading_public/blob/master/notebooks/current_public_notebooks/03_Are_Gaussian_Mixture_Components_More_Stationary_2019-01-01.ipynb
不在一个时间框架上做这一切,而是在其中的某一段上做,将所得的情况与具有类似方差的高斯SB上应该有的情况进行比较,是有一定意义的。
关于回归者的分布,非常重要的是,由于平均化的琐碎原因(我们都记得,非正态分布的聚集会得到一个正态分布),时间框架越高,分布就越高斯化。市场上真正的 "随机 "事件只是通过下单/拉单 或交易来改变一个最佳值(askbid);即使是一分钟内的tick聚合也会改变分布,使其更接近高斯分布(要从均匀分布变成高斯分布,需要12次迭代),真正的市场分布只是tick分布,而且根本不是正态的。
关于回归者的分布,非常重要的是,由于平均化的琐碎原因,时间框架越高,分布就越高斯(我们都记得,非正态分布的聚集会得到一个正态分布)。市场上真正的 "随机 "事件只是一个最好的(askbid)的变化,通过下单/拉单 或执行交易,即使在一分钟内,tick的聚集也会改变分布,使其更接近高斯分布(12次迭代足以将均匀分布变成高斯分布),真正的市场分布只是tick分布,它根本不是正常的。
对于货币来说,即使它是不真实的。更准确地说,它根本不是真实的,也根本不是 "正常 "的(也不是在分布方面)。
因为没有中心。没有单一的蜱虫来源,也不能保证它们会到达用户手中。不仅一个特定服务器的 "假设流量 "是其他服务器聚合的产物,而且由于技术原因,这个流量也被服务器和终端稀释了。
蜱虫的统计特征取决于具体的DC、其同行和他们的软件。
关于回归者的分布,非常重要的是,由于平均化的平庸原因,时间框架越高,分布就越高斯(我们都记得,非正态分布的聚集会得到一个正态分布)。市场上真正的 "随机 "事件只是通过下单/拉单 或执行交易来 改变一个最佳值(askbid);即使在一分钟内,tick的聚集也会改变分布,使其更接近高斯分布(12次迭代足以改变均匀的高斯分布),真正的市场分布只是tick分布,它根本不是正常的。
然而,在tick层面上,更正确的模型是泊松过程的某种变体,例如具有跳跃的离散分布和非恒定强度(不是恒定时间函数)的复合泊松过程)。然而,这忽略了真实交易时间的离散性。
直方图的形状取决于我们遇到的是哪些区域(Maxim Dmitrievsky在上面写了关于混合物的内容)。有时它甚至会导致双驼峰直方图。
由于我不知道如何将一个完全的马尔科夫模型转移到metac,我的想法是在Python中对所有的季节性成分进行聚类,然后训练一个简单的MOH来预测聚类,在一个测试样本上进行测试。并将其转移到终端。这将是第3号炸弹。
预计每个集群都会有一个恒定的方差和矩阵。
由于我不知道如何将一个完全的马尔科夫模型转移到metac,我的想法是在Python中对所有的季节性成分进行聚类,然后训练一个简单的MOH来预测聚类,在一个测试样本上进行测试。并将其转移到终端。这将是第3号炸弹。
预计每个群组都会有恒定的方差和矩阵。
由于我不知道如何将一个完全的马尔科夫模型转移到metac,我的想法是在Python中对所有的季节性成分进行聚类,然后训练一个简单的MOH来预测聚类,在一个测试样本上进行测试。并将其转移到终端。这将是第3号炸弹。
预计每个群组都有恒定的方差和矩阵。
不过,在tick层面上,更正确的模型是泊松过程的某种变体,例如具有跳跃的离散分布和可变强度的复合泊松过程(不是恒定时间函数))。
这是不可能的,原因有很多,它已经被研究了很久,甚至与DC服务器的勾选过滤无关。
这就是我所知道的要寻找的https://www.mql5.com/ru/forum/102066/page9#comment_2968124,在这张图片中,箭头是一个异常点。
这类问题会一直存在,这就是市场的运作方式--为什么会出现这些问题是另一个问题。
如果你按照你关于跳动的假设,你会考虑这些尖峰,但这些尖峰并没有形成进一步的运动方向,最多只是发生在一个柱子的高/低点。
我找不到Prival的tick指标的截图,它非常善于表现这些峰值--所以你不必猜测tick的来源。 一种可能性是MM经常在报价流中混合升/降价,有时间滞后,但这是一个真实的报价!)))
Bomba #5具有特定的节奏,以固定的间隔重复,是一种趋势性的运动。但你也必须通过第4项
它已经在第2号炸弹中了 :)