交易中的机器学习：理论、模型、实践和算法交易 - 页 2638

新评论
 
Aleksey Nikolayev #:

最好是以图案件数计算。同样的模式突破（对工作有意义），每年不超过几百人。我把它称为一个极限数字。如果你试图把它们做成更复杂的模式--例如变成成对的连续节点断裂，这也符合一些条件--你可能每年得到几十个这样的模式。而这还不够。

是的，我同意数据是不够的，这就是为什么我采取最大的历史量。当然，从理论上讲，例子越多，结果就越有把握，但事实就是如此。

Aleksey Nikolayev#:

类似于在一个给定类型的模式的所有可能结构上进行循环？做过一次类似的事情，同样的顶点分解。原则上说，是可以想出一些办法的，只是这个枚举（在一般情况下）会是递归的，而不是迭代的。同样，由于复杂性和稀有性，大部分的模式将毫无意义。手动收集一个有意义的模式列表，并在常规循环中绕过它，选择最佳模式，这可能更容易。

我只是需要一个具有准确度量的工具来评估波浪的趋势/分布/类型，以确定其中的任何趋势。例如，趋势是什么。

- 如果长期以来在一个模式之后有一个积极的结果，那么当一个新的模式出现时，更有可能出现消极的结果。

- 结果在样本的所有部分都是平均分布的（如何正确划分部分？）

- 如果长期以来一直存在消极的模式结果，那么积极的结果就更有可能发生。

- 如果很长时间没有模式，那么当它出现时，积极/消极的结果更有可能。

基本上是这样的。这是一个统计学上的切割，但它应该是在历史的间隔上，我的问题是切割这些间隔的最好方法（在不同的间隔上测量，做一个转移），所以估计将是正确的，最好用一些概括的系数来表达。

 
Aleksey Vyazmikin #:

是的，我同意没有足够的数据，这就是为什么我尽可能多地采取历史。当然，从理论上讲，例子越多，结果就越有把握，但有的就是有的。

我只是需要一个具有准确度量的工具来评估波浪的趋势/分布/类型，以确定其中的任何趋势。这些趋势是什么，比如说。

- 如果长期以来在一个模式之后有一个积极的结果，那么当一个新的模式出现时，更有可能出现消极的结果。

- 结果在样本的所有部分都是平均分布的（如何正确划分部分？）

- 如果长期以来一直存在消极的模式结果，那么积极的结果就更有可能发生。

- 如果很长时间没有模式，那么当它出现时，积极/消极的结果更有可能。

基本上是这样的。这是一个统计区间，但它应该是在历史的区间。 对我来说，问题是什么是最好的方式来切分这些区间（在不同的区间测量，做一个转变），以做出正确的估计，最好用一些概括的系数来表达。

最简单的解决方案是在一些系列的测试中计算出一个统计数字。在交易中，它通常是在寻找一个交易结果对前一个交易结果的依赖性的背景下提到的。如果任何依赖性/序列性是明显的，你可以尝试研究其结构。在这里，看一下马尔科夫链并使用其概率矩阵的一些函数作为衡量标准可能是有意义的。

对于切片的历史间隔，我通常使用一个大的之字形。这可能不是最好的，但它相当简单，而且相对客观。

 
Aleksey Nikolayev #:

你能想到的最简单的事情是在某种系列测试中计算的统计数字。在交易中，它通常是指寻找一个交易结果对前一个交易结果的依赖性的情况。如果任何依赖性/序列性是明显的，人们可以尝试研究其结构。在这里，看一下马尔科夫链并使用其概率矩阵的一些函数作为衡量标准可能是有意义的。

在这种情况下，再谈一下马尔科夫链。

如果我们只是在谈论序列性，我们可以引入两个状态+和-，表示模式实现的质量。相应地，有四种可能的方式从一个模式转到下一个模式。"+"->"-", "+"->"+","-"->"+", "-"->"-".这些转换对应于四个概率（其中只有两个是独立的），构成了这个链条的概率矩阵。

如果我们谈论的是系列长度，那么各州将不得不更加复杂。例如，它们可以是一对(+,n)和(-,n)，其中除了模式实现的质量外，还有n--包含它的系列中的模式数量。我们得到一个潜在的无限数量的状态，但可能的转换（非零概率）也是四个： （+，n）->（+，n+1）， （+，n）->（-，1），（-，n）->（+，1）， （-，n）->（-，n+ 1）。它也会变出四个概率（有两个独立的）。不同的是，现在这些概率对序列长度n的依赖性出现了（或没有）。我们可以尝试通过一些系数来表达这种依赖关系，并将其作为所需的度量。

 

下午好!Nairamdal!

你们都是伟大的数学家，我明白了。

那么我们就可以做了。

 
你为什么不研究市场诚信？
 
萨斯的父母 始终无法教会他只在指定的地方拉屎。
 
Alexander Ivanov #:
你为什么不研究市场诚信？
你为什么不研究市场的差异？你为什么不研究市场的分散性？你为什么不研究市场光谱？你为什么.......
你在胡说八道吗？
 
我们实际上预测的是什么？

我们都知道，市场是一个复杂的过程，复杂来自于 "复杂 "这个词。市场是由许多具有不同目标、口袋大小、不同趋势的参与者创造的。

例如，让我们建立一个简单的正弦波趋势，价格遵循（在我们的模型中），让我们称它为 "趋势"。

par(mar=c(2,2,2,2))
my.sin <- function(ve,a,f,p)    a*sin(f*ve+p)
trend <- my.sin(ve = 1:100,a = 1,f = 0.05,p = 1)+100
plot(trend,t="l")

一个简单的价格模型，易于理解，易于预测。

现在让我们想象一下，一些强大的市场买家进入 "我们的市场"，并在一段时间内对 "我们的市场 "进行了强有力的投资。

layout(1:2, heights = c(10,3))
plot(trend,t="l",lty=2) 
lines(trend+buy)
plot(buy,t="l",col=3,lwd=2)

如你所见，我们美丽的模型有点破损...

现在让我们想象一下，在比如说99.2的价格下，有人放了一个大的限制，买下了他得到的所有东西。

buy_limit <- trend
for(i in seq_along(trend)) if(buy_limit[i]<=99.2)  buy_limit[i] <- 99.2
layout(1:1)
plot(trend,t="l")
lines(buy_limit+buy,lty=2)
segments(10,99.2,100,99.2,lty=2,col=3)

因此，我们得到了这样一条价格模型的曲线，但更接近于现实

plot(trend,t="l",col=8,lty=2)
lines(buy_limit + buy ,t="l")

此外，为了更加真实，我们将添加噪音，例如小规模或做市商的交易。

noise <- rnorm(100,sd = 0.05)
plot(trend,t="l",col=8,lty=2)
lines(buy_limit+buy+noise)


这就是你可以把市场看成一个复杂的 过程。

现在反思一下是很有意思的。当我们预测价格时，我们到底在预测什么？"趋势"？"市场买家"？"极限买家"？"噪音"？:)，我们是否应该一起预测它？

 
mytarmailS #:
我们实际上预测的是什么？
又是25岁:)计量经济学的基础知识已经开始发挥作用了。不是在绕圈子：你只能预测时间序列中的周期和季节性成分
 
Maxim Dmitrievsky #:
25再一次 :) 计量经济学的基础知识已经消失。不是在绕圈子：你只能预测时间序列中的周期和季节性成分
不，这不是那么简单。
1...263126322633263426352636263726382639264026412642264326442645...3399
新评论