交易中的机器学习：理论、模型、实践和算法交易 - 页 3126

[Uladzimir Izerski]

实际上，我已经对阿列克谢对胖尾巴的看法不感兴趣了。这只是一个笼统的概念。

问题在于对路线、方向和时间的结构性预测。

))))

你看，阿列克谢已经扶着胡子在想该怎么回答了。

[Maxim Dmitrievsky]

家庭主妇的科祖尔推论。

为勇敢和懦弱的人更好地学习:)

[Aleksey Nikolayev]

您只需在幼儿园高年级的 范围内锻炼自己的数学能力，并数出尾巴的数量）。

[Aleksey Nikolayev]

Maxim Dmitrievsky #:

为家庭主妇设计的 "狩猎 "游戏

为勇敢和懦弱的人更好地学习:)

只需将因果推理思想与桑桑尼奇关于稳定性的思想结合起来。那么 "圣杯 "就不可避免了🤑。

但还不能肯定）

[Uladzimir Izerski]

Maxim Dmitrievsky #:

为家庭主妇设计的 "狩猎 "游戏

为勇敢者和懦弱者更好地学习:)

马克西姆，你已经牢牢地懂得了 "狗要摇尾巴 "的道理 ))))

继续说服别人。我受够了。再见。

[Aleksey Vyazmikin]

我注意到一个有趣的现象。

每个人都知道数据漂移。我们习惯于只使用预测器，但我决定看看随着时间的推移，策略本身会发生什么变化。

我使用了一个策略的数据，该策略在每日ATR(3) 的 23.6% 交叉时给出入场信号。

因此，我计算了每个月的情况：

- 所有信号的数量

- 积极信号数量 (1)

- 积极信号占所有信号的百分比（TP）

我用一个值为 6 的移动平均线对得到的数字序列进行了平滑处理。

那么，我们得到了什么？

在第一张图表中，我们可以看到基本策略的所有信号数量随着时间的推移在不断增加。

图 1.

在第二张图表中，我们可以看到基本策略的积极信号数量随着时间的推移而增长，但增速较慢。

图 2.

在第三张图表中，我们可以看到盈利信号占所有信号的百分比停滞不前。

图 3.

可能，在预测者的拆分（Q 切分）中也能看到类似的动态....

[Forester]

Aleksey Vyazmikin #: 图 1.

在第二张图中，我们看到基本策略的积极信号数量随着时间的推移在增加，但增加的速度较低。

结论是什么？是市场效率逐年提高？还是模型失去了效率？

[Maxim Dmitrievsky]

Aleksey Nikolayev #:

只需将因果推理思想与桑桑尼奇关于稳定性的思想结合起来。那么，圣杯就不可避免了 🤑。

但这并不准确）。

尤其是当他们不想说明确定稳定性过程的本质时

[Maxim Dmitrievsky]

Uladzimir Izerski #:

马克西姆，你已经牢牢地学会了 "狗要摇尾巴" ))))

继续说服别人。我说完了。再见

我希望你马上就做，因为他正在受苦，可怜的人。

[Aleksey Vyazmikin]

Forester #:
结论是什么？是市场效率逐年提高？还是模型失去了效率？

我认为，考虑到策略，我们可以初步得出结论，市场已经开始更频繁地在盘中改变趋势。

问题是，历史上是否有一些因素现在变得更加频繁，然后也许可以预测到它们，甚至绘制出概率偏差线性增长图。

或者，它们是以前从未见过的全新事件（预测指标的组合）。

有一点是显而易见的，那就是我们需要一种不同的方法来建立一个考虑到动态情况的模型。然后，我们可以尝试解释量子段概率因其他因素的出现/加强而发生的变化，并尝试事先预测这些其他因素。换句话说，有必要了解是什么发生了变化，以及这种变化是否可以预测，并进一步在最终模型中考虑到这些变化。