交易中的机器学习:理论、模型、实践和算法交易 - 页 1719

 
mytarmailS:

评论_15957283

这种方法的优势是什么?为什么不使用renges,或用tick volume,或用一天中某些时间的平均波动率来规范化

评论_15959144

这让我想起了语音识别。语音被记录下来,转换为频率形式,单个字母、单词等被识别。该语言经常使用成熟的短语,有可能以很高的概率猜到下一个单词。如果这种方法被转移到市场上会怎样。 获得一个光谱,尝试识别 "字母"、"单词"、"短语 "的模式。


马克西姆-德米特里耶夫斯基

https://www.mql5.com/ru/forum/286022/page169#comment_15898101

https://www.mql5.com/ru/forum/286022/page169#comment_15898212

有机会在梅森漩涡上测试吗?

从这篇文章 中瘦身?如果我们把除特定时钟外的所有时钟都排除在系列之外,那不就成了转向每日TF了吗?

 
罗夏

有机会检查一下梅森漩涡吗?

瘦身是这篇文章 的内容吗?如果我们将除特定时钟外的所有时钟从系列中排除,岂不是要转变为日常的TF?

我以后再看。

是的,是的,每日循环,但增量可以采取不同的滞后。

粗略地说,逻辑如下:区分一个系列,以任何方式(不一定是固定的间隔)细化,寻找线性依赖关系。 在我看来,这是一个通用的东西,用于寻找依赖关系。

 
马克西姆-德米特里耶夫斯基

我以后会看到的。

是的,是的,每日循环,但增量可以采取不同的滞后。

粗略地说,逻辑如下:区分系列,以任何方式缩小(不一定是固定的间隔),寻找线性依赖。在我看来,这是一个通用的东西,用于搜索依赖关系。

从早期开始,虽然我不认为我现在会找到任何东西

 
罗夏

有机会检查一下梅森漩涡吗?

https://docs.scipy.org/doc/numpy-1.15.0/reference/generated/numpy.random.RandomState.html

generator = np.random.RandomState(0)

values = 0 + np.cumsum(generator.normal(0, 0.1, size=date_time.size) )


numpy.random.RandomState — NumPy v1.15 Manual
  • docs.scipy.org
class seed=None¶ Container for the Mersenne Twister pseudo-random number generator. exposes a number of methods for generating random numbers drawn from a variety of probability distributions. In addition to the distribution-specific arguments, each method takes a keyword argument size that defaults to . If size is , then a single value is...
 
事实上,如果我们看一下任何SB增量上的私人ACF,都有大量的关联性。而如果你看一下市场的增量,关联性就会变弱
 
马克西姆-德米特里耶夫斯基

这很有趣。我没能预测到随机性。不过,有几个想法。

1.获得某种防密码的发电机。

2.计算初始gpsf的预测值,然后计算预测误差(rsc gpsf-prediction)。如果比sko gpsh更糟糕,那么 "明天会像今天一样 "就是有史以来最好的预测。

 
马克西姆-德米特里耶夫斯基

我以后会看到的。

是的,是的,每日循环,但增量可以采取不同的滞后。

粗略地说,逻辑如下:区分系列,以任何方式缩小(不一定是固定的间隔),寻找线性依赖。在我看来,这是一个通用的东西,用于寻找依赖关系。

我最初以为是要去做日线时间框架,但既然我们先区分开来,就不是了。而我有点悬,我没有看到 "物理 "意义上的工作原因。如果把它看作是一种价格流,那么我们在观察价格形成时就会受到限制。如果我们把它看作是一个信号,它是在没有预滤波的情况下进行的降采样,它是混叠和假想频率--信号失真。

最现实的解释似乎是遗迹辐射的影响。那么就必须有日周期和年周期。

 
罗夏

我起初以为是要转移到一天的时间框架,但由于我们先进行了区分,所以不是。而我有点悬,我没有看到 "物理 "意义上的工作原因。如果把它看作是一种价格流,那么我们在观察价格形成时就会受到限制。如果作为信号来看,那么就会出现没有预滤波的降频,也就是混叠和虚频--信号失真。

最现实的解释似乎是遗迹辐射的影响)))。那么就必须有日周期和年周期。

谢谢你的链接))我只是在寻找关于自然周期的东西。

例如,滞后24小时的每小时增量对同样滞后的前一个增量的依赖性。即看前一个,预测当前一个

只要平均增量偏离零(例如,一年的样本),这就可以了。在那里进行相应的购买或出售。这些文章都有

分成每日递增的原因很清楚。美国的会议是一个过程,欧洲的是一个过程,以此类推。换句话说,我们将当前的欧洲时段视为昨天时段的延续,特定的一小时或几小时,切掉其他时段。

每月的周期也或多或少地清楚。至于其他的,我不知道。

我试图对协整(条件)工具做同样的事情,以提高协整度,以小时为单位。比整个系列要好,但没有灵感。

 
那是一幅美丽的图画...
 
也许甚至可以把交易时段 分开切割,然后把它们粘在一起,不要有空隙,以达到清晰的效果。只是为了好玩。