交易中的机器学习：理论、模型、实践和算法交易 - 页 2353

[Aleksey Nikolayev]

Maxim Dmitrievsky:

没办法在外汇市场上）。

那么如果你去看书中的其他主题，就会有更多的纠结。

我们是否应该分别计算出价和要价，然后再以某种方式将其合并？很可能，这不会有任何意义。

这听起来很合理，因为它已经被太多的灰尘污染了）。

[Mikhail Mishanin]

Aleksey Nikolayev:
也许我们不应该喧宾夺主，而应该做一些更有意义的事情)。例如，把普拉多的东西拆开。不平衡条的想法似乎很有趣，但我无法理解它如何可能适用于外汇。

是否有普拉多的俄文译本？

[Aleksey Nikolayev]

Mikhail Mishanin:

有没有《普拉多》的俄文译本？

有，但最好是英文的--叙述简明而复杂，你必须在文章中获得细节，没有人会把它翻译成俄语。

[Maxim Dmitrievsky]

Roman:

那么他的书有什么意义呢？

;))

里面有一些关于重采样和随机森林 训练的有用的东西，总的来说，这是一个熟悉不同方法的好材料。

[Maxim Dmitrievsky]

Aleksey Nikolayev:

我们是否应该分别计算出价和要价，然后再以某种方式将其合并？最有可能的是，这将是无稽之谈。

听起来合乎逻辑，因为它的污染相当严重）。

我不知道他做了什么样的梦，但只有当他们真的有一些意义时才有意义。

[Aleksey Nikolayev]

Maxim Dmitrievsky:

我不知道他做了什么关于这种转变的梦，但它们只有在真正有意义的时候才有意义，否则就是同样的仁科。

我不知道）但无论谁想成为普拉多那样的人，都需要像普拉多那样思考)

是的，它看起来像一个Renko，但也有一些与CUSUM的关联。

[mytarmailS]

如何提高时间序列的 可预测性

以人字形分类为例...

波动性正常化

0）创建一个空矢量

1）在一个大小为n的滑动窗口中跟踪价格

2) 将滑动窗口中的价格规范化为0-1的范围

3) 将最后一个归一化值与前一个归一化值的差值写入空向量中

4）对矢量进行累积求和

P代码，如果有NA内插法，则有NA内插法

roll.r01 <- function(x,n=10){
    res <- rep(0,length(x))
    for(i in n:length(x)){
      ii <- (i-(n-1)):i
      res[i] <- tail(diff(r01(x[ii])),1)
    }
    if(any(is.na(res))){
      print(   paste("WARNING vector haves NAs",sum(is.na(res)))    )
      res <- imputeTS::na_ma(res)
    }
    return(cumsum(res))}

辅助归一化功能

r01 <- function(x)    (x-min(x))  /  ( max(x) - min(x))

这就是我们得到的结果，红色一行是价格，蓝色一行是根据波动率归一化的。

我们可以看到，该系列具有所有的价格属性，但它的特征更加稳定。

让我们试着比较一下NW坡度分类的质量

目标--WP的偏角

标志--一打的标准指标

AMO-FOREST，参数和SID相同。

追踪10k , 测试10k

按标准价格预测

Confusion Matrix and Statistics

          Reference
Prediction   -1    1
        -1 3416 1894
        1  1582 3108
                                         
               Accuracy : 0.6524       

按改变后的价格预测

Confusion Matrix and Statistics

          Reference
Prediction   -1    1
        -1 3504 1568
        1  1332 3596
                                         
               Accuracy : 0.71           

我敦促你猜测!!!!!

[Andrei Trukhanovich]

阿列克谢-尼古拉耶夫。

你是在暗示现在是时候离开零售外汇的家巢了吗？

如果有一台可以在一个月内增加存款的小机器，那么留下来是有意义的，在所有其他情况下，到其他地方工作更容易。

[Forester]

mytarmailS:

如何提高时间序列的 可预测性

以人字形分类为例...

波动性正常化

0）创建一个空矢量

1）在一个大小为n的滑动窗口中跟踪价格

2) 将滑动窗口中的价格规范化为0-1的范围

3) 将最后一个归一化值与前一个归一化值的差值写入空向量中

4）对矢量进行累积求和

P代码，如果有NA内插法，则有NA内插法

辅助归一化功能

这就是我们得到的结果，红色一行是价格，蓝色一行是根据波动率归一化的。

我们可以看到，该系列具有所有的价格属性，但它的特征更加稳定。

让我们试着比较一下NW坡度分类的质量

目标--WP的偏角

标志--一打的标准指标

AMO-FOREST，具有相同的参数和SID。

追踪10k , 测试10k

按标准价格预测

按改变后的价格预测

我敦促猜测!!!!!

最好是比较利润。不是倾向性的错误。

[sibirqk]

mytarmailS:

如何提高时间序列的 可预测性

以人字形分类为例...

按波动率归一化

基本上，这与建立一个趋势线，然后将其从原始系列中删除几乎是一样的。是的，预测这种残留物比较容易，但一切都取决于趋势预测。为了预测趋势，我们至少应该知道未来价格的大概走向。但如果一个人知道它，就不需要手风琴--我指的是以前的所有阶段。