交易中的机器学习:理论、模型、实践和算法交易 - 页 3185

 
mytarmailS #:

您熟悉降维算法吗? 压缩算法吗?

熟悉

下面是你的随机化模拟真实市场过程的情况...

熟悉

这里有一个标准/拟合度函数,用于对一个系列进行适当的模拟。

遗憾的是,我们并不清楚需要优化随机化的哪些输入参数。

 
fxsaber #:

有几种假设。

我比较了 "最大潜在利润 "这一特征。我没有发现任何明显的差异。

 
fxsaber #:

我比较了 "最大潜在利润 "这一特征。我没有发现任何明显的差异。

如果你用 "嘀嗒嘀嗒 "的方式来做,会这样吗?如果是趋势跟踪呢?从反转到反转进行比较。
 
Forester #:

金额 1 - 金额 2 更像是波动性。趋势性是指将大量数据相加的结果。在真实数据中,趋势是一个,而在随机数据中(大约到 through1),趋势更像是由于波动性增加而产生的随机异常值。我认为它们的振幅要比真实数据小很多倍。

更新:我没注意到你用 ~ 代替了 -。

关于 ~。他们的近似狂欢就是这个意思,真正的混合,通过 1 平均。

我认为趋势是平均值相对于零的增量变化。

不过,我想这都是品味问题。

par(mar=c(2,2,2,2),mfrow=c(2,1))

mn_trend <- c(rep(-0.5,100),rep(0.5,100))
rn <- rnorm(200)
cbind(rn , mn_trend) |> matplot(t="l", lty=1, col=c(8,2),main="random and mean")

rn_trend <- rn + mn_trend
rn_trend |> cumsum() |> plot(t="l",main = "cumulative sum rn + mn_trend")
 

Forester #:
Это если по-тиково?

是的。

如果您是趋势跟踪者呢?从反转到反转比较。

开始改变大小(在剥头皮的合理范围内)最小膝盖 ZZ,并观察膝盖的总和。

随机符号的潜在利润高于原始符号。也就是说,随机符号的潜在利润更高。

如果潜在利润低于原始符号,就可以解释剥头皮失败的原因。但这里的情况恰恰相反。


ZЫ 一般来说,如果有兴趣尝试找出两个序列之间的差异,它们可以提供差异。

 
fxsaber #:

是的。

那么你应该知道,在频谱分析中,例如用 100 次谐波,你可以非常准确地描述一系列 10 000 个值....

取 10,000 个值--->得到---+相同的东西,但只有 100 个值。

荒谬的是,100 个数值就能描述数百万个数值的原始序列!这似乎是理论家的工具,而不是实践者的工具。

而你却说它荒谬,真是奇怪....

fxsaber#

不幸的是,我们并不清楚需要优化哪些随机化输入参数。

我在这里写的一切纯粹是我的幻想,所以请批判性地看....。


您可以尝试从相同的谐波中创建您的 TS 将在其上工作的系列...

优化器的参数是谐波的组合、

适应度函数是 TC 在该合成数据上的性能质量。

 
fxsaber #:

随机符号的潜在利润高于原始符号。



所以它通过了蒙特卡洛测试。如果真正的符号有利润,而杂乱无章的符号没有利润的话。

 
mytarmailS #:

那么你应该知道,在频谱分析中,例如,一百次谐波就可以非常准确地描述一系列一万个值...

取 10,000 个值 ---> 得到 -+ 同样的东西,但只有 100 个值。

你还说这是荒谬的,真是奇怪...

因为这与 cvr 无关。即使是比特率很低的 mp3 和 jpg,神经元也能识别。但是,即使 "比特率 "保持不变,以缩放形式出现的阿尔法也会丢失。

 
fxsaber #:

因为这与 cvr 无关。mp3 和 jpg 即使在很低的比特率下也能被神经元识别。但是,即使 "比特率 "保持不变,以缩放形式出现的阿尔法也会丢失。

这都是数字和转换,什么叫与cvr 无关

这就好比说狗的图片与小猫的图片无关......因为小猫不是狗......

什么是比特率?

 
Forester #:

因此,它通过了蒙特卡罗测试。如果真实的是有利可图的,而混合的是无利可图的。

如果这个测试被认为是真实序列和随机序列之间差异的一个明显标志--是的,100% 通过。

我的 "蒙特卡洛 "是创建大量的剥头皮历史记录。并从中找出 TC 的弱点。现在,用于这种检查的历史长度远远不够。这就是为什么我们需要足够的生成。


生成的想法似乎很美好,我从未见过这样的想法。但事实证明,它并不适合我的目的。

不过,蒙特卡洛测试确实顺利通过了。但这只是副作用,并不重要。