交易中的机器学习:理论、模型、实践和算法交易 - 页 350

 
尤里-阿索连科

件。不需要用胶水粘住它。

如果你交易1-2个月的时间,你有足够的时间来学习。


总的来说是的,目前的合同只有2个月......这些天我要试试。
 
马克西姆-德米特里耶夫斯基

一般来说,是的,目前的合同只有2个月......我改天再试。
以防你没有与期货合作过。期货是真正的交易,只在其存在的最后3个月内可用于培训、测试等。即紧接在前一次到期之前和之后。
 
尤里-阿索连科

在按交易量计算时,存款是多少并不重要,甚至交易的具体数量本身也不重要。本年度的交易利润 为8%。

作为一个例子。我每个工作日有0.5%的交易。比如说,10 000卢比的交易。每年200天*0.5%=100%/年的交易量利润。

现在重新计算存款的杠杆,它的负载和实际合同的数量 - 我们得到了一定存款的预期利润。在堡垒上,杠杆率是-4-5,成交量是N手。

当然800%看起来不错,但我们每手的利润是8%。想象一下,没有杠杆作用--那么玩这种游戏就没有意义了。奇怪的是。

可能这个系统在外汇交易中失败了,正是因为他们不从交易中算起--我得到的只是一分钱的利润)。


杠杆是一种贷款。它是免费提供的,以便用1 000美元甚至1手进行交易并支付佣金。如果是免费的,我们从我们的1000美元中支付掉期,但不乘以杠杆 - 这是你的算术。否则,如果经纪人用他自己的信贷资金为我们支付掉期,那就很奇怪了,对吗?最后,每个人都很高兴--经纪人和我们有800%的利润。经纪人交易一个订单池,从拥有1千美元小额存款的交易者那里以一定的价格购买/出售。还有一次,不要忘记,除了我们,经纪人还有大客户--法律实体,对他来说,编制一个池子并以由一系列交易者--个人和法律实体--设定的价格出售是没有问题的。这就是你如何从1 000美元中赚取800%,这就是我到现在为止的理解,而你正试图让我们怀疑算法交易的盈利能力))))。
 
geratdc:

而你想对algotrading的盈利能力提出质疑))))
在你身上引起怀疑有那么容易吗?))
 
尤里-阿索连科
在你身上引起怀疑有那么容易吗?))

到目前为止,我只是没有看到任何关于真实账户 的800%的报告。我不知道如何使用它们。哦,顺便说一下,他们正是这一点的证明--他们的订户。没有人会因为8%而费力地去冒1000美元的存款。坦率地说,所有这些都是远程演示的,它可能变成像MQL一样的假货,所以我有一个严重的资源,它是50/50。但结果可能是,你是对的))))至于8%的年利率,真正的区别在于,许多交易者可能只是在失去了系列存款后才梦想着它)))
 
geratdc:

到目前为止,我只是还没有看到任何来自真实账户 的800%的报告。除非你接受信号。哦,顺便说一下,这正是他们的身份--由他们的用户确认。没有人会因为8%而费力地去冒1000美元的存款。坦率地说,所有这些都是远程演示的,它可能变成像MQL一样的假货,所以我有一个严重的资源,它是50/50。但结果可能是,你是对的))))如果你是对的,而且有太多的交易者在损失了他们的连续存款后,只是梦想着8%的年利率)))

我当然是对的。算术不可能出错)。然而,这不是关于某人的恐惧和怀疑,而是关于应用于战略的盈利性指标。这些是不同的主题。

从存款中评估业绩,是对什么都没有的评估。假设两个策略在20%的缩减下给出200%的年收益,利润图:孪生兄弟--哪个策略更好?

你可以拿出一打真实的理由,说明为什么一个策略会变得很好,而另一个策略只是属于垃圾场。

也就是说,为了比较这些战略,我们需要大量的具体数据、指标和计算。

 
尤里-阿索连科

比如说,两个策略给出了200%的年收益率和20%的缩水率,利润图:双胞胎兄弟姐妹--哪个策略更好?你可以拿出一打真实的理由来说明为什么一个策略会变成伟大的,而另一个只属于垃圾场


那么有什么区别呢?..........................
 

有趣的文章,在这个意义上,找到机器学习用于交易的例子是极其罕见的。

这里的东西是原始的:把它分成两类。根据这篇文章,各班级的情况大致相同。文章结尾处的时代精神:你想要预测一个班级的高概率,就把它放在90%。就这样了。

Machine Learning. Stock Market Data, Part 2: Linear Discriminant Analysis.
Machine Learning. Stock Market Data, Part 2: Linear Discriminant Analysis.
  • Data Scientist PakinJa
  • www.r-bloggers.com
It is important to mention that the present posts series began as a personal way of practicing R programming and machine learning. The bibliography and corresponding authors are cited at all times and this posts series is a way of honoring and giving them the credit they deserve for their work. The exercise was originally published in “An...
 
桑桑尼茨-弗门科

有趣的文章,在这个意义上,找到机器学习用于交易的例子是极其罕见的。

这里的东西是原始的:把它分成两类。根据这篇文章,各班级的情况大致相同。文章结尾处的时代精神:你想要预测一个班级的高概率,就把它放在90%。这就是全部。


包'Smarket'不可用(适用于R3.4.0版本) :(
 
马克西姆-德米特里耶夫斯基

神经元和输入越多,系统越稳定,但利润越低

实际上,这是不对的,我认为。

随着系统变得更加复杂,盈利能力和稳定性应该同时增加。也就是说,随着系统变得更加复杂,其用户属性也应该增长。

以手的发展为例。

1.我们采取一个赤裸裸的交易理念,创建一个简单的TS,优化利润(损失可以完全忽略)。

2.引入限制,尽量减少亏损交易的数量。当然,部分意外盈利的交易会离开,在部分盈利的交易中,利润会减少,但缩水也会减少,因此,利润-亏损的总和会增加。

进一步的复杂化只会导致利润增加,至少是由于亏损交易数量的减少。

如果损益金额没有因为复杂化而增加,我们一定是做错了什么。例如,我们引入了无效的条件。