Estratégia de negociação wavelet

estratégia de comércio Wavelet
Análise Wavelet - sistema de alerta precoce dos ciclos.
Ciclos não vivem para sempre.
Quando você ouve isso algum ciclo, digamos, com um período de 105 dias de calendário, é forte para algum instrumento financeiro particular, - você sempre deve perguntar qual o intervalo de tempo usado para revelar esse ciclo. O fato de que é impossível encontrar os ciclos que funcionam consistentemente no mercado de ações deve ser aceito como um fato científico. Existem procedimentos matemáticos especiais que revelam imediatamente ciclos constantemente funcionando (se eles apenas existirem), e essa análise não deixa nenhuma chance para a existência de ciclos negociáveis ​​que funcionam constantemente. Embora esta análise revele a existência de ciclos de longo prazo (ciclos anuais, cozinha, juglar), mas esses ciclos são muito longos para os comerciantes.
Isso significa que a análise do ciclo não é aplicável para o mercado de ações? Não definitivamente NÃO. Temos que aceitar que os ciclos vivam suas próprias "vidas": nascem, vivem e, finalmente, morrem. O tempo de vida do ciclo é limitado e precisamos lidar com esse fato. Como eu sei, historicamente, o primeiro que aplicou essa abordagem ao mercado de ações foi John F. Elder; É conhecida como análise MESA. Estamos desenvolvendo essa abordagem ainda mais. Então vamos começar .
O que é uma wavelet?
Uma onda é uma onda limitada no tempo; É um pedaço de onda regular. Na imagem abaixo, você pode ver uma onda regular junto com a wavelet:
Enquanto a onda regular não é limitada no tempo, a wavelet existe dentro de algum intervalo de tempo finito. A tecnologia wavelet foi desenvolvida muito nos anos 90. É usado muito hoje em dia: por exemplo, quando você liga usando o seu celular, na realidade, o celular exibe seu discurso como um monte de wavelets, essa abordagem permite acender o tráfego muito.
Para a aplicação do mercado de ações desta idéia, a característica mais importante é o diagrama wavelet. Este é o exemplo deste diagrama:
Você pode seguir o diagrama das ondas como um histórico da vida do ciclo. Isso mostra a biografia de qualquer ciclo imediatamente: nascido em XXXX, fez algo dentro de AAAA, morreu em ZZZZ.
As listras horizontais vermelhas / amarelas representam aqui o BIO do ciclo, seu comprimento de vida. O eixo horizontal representa TIME enquanto o eixo vertical mostra o PERÍODO desse ciclo. As zonas quentes (vermelhas e amarelas) representam zonas ativas - os períodos em que os ciclos estão ativos.
Olhando para este diagrama, podemos dizer que o ciclo com o período de 117 dias de calendário tem atuado no mercado de ações desde meados de 2007 até o início de 2010:
Então, olhando para este diagrama, podemos dizer facilmente quantos ciclos estão ativos no mercado de ações agora e a biografia de cada ciclo (seja neonatal, jovem e forte ou antigo e fraco).
Olhe para outra faixa vermelha horizontal, corresponde ao período de 189 dias:
Este ciclo não é tão forte (a cor da faixa diz isso, não é tão brilhante como para o ciclo de 117 dias), no entanto, parece que este ciclo está ativo pelo menos a partir do ano de 2007.
Isso pode fazer algum sentido para prestar atenção ao ciclo de 56 dias também:
Para enfatizar os ciclos de curto prazo, você pode variar a posição desta barra deslizante:
Então, nosso objetivo é revelar o ciclo o mais cedo possível. Quando o ciclo torna-se óbvio para todos, isso é um sinal de que esse ciclo está enfraquecendo, e seu tempo acabou (esta é a maneira como a Teoria do Mercado Eficiente está trabalhando na análise cíclica).
O sistema de alerta precoce.
Eu encontrei uma boa analogia nas forças armadas. Eles têm uma coisa como um sistema de alerta precoce de mísseis balísticos; Este é o sistema que encontra os mísseis inimigos o mais cedo possível. Semelhante a isso, nosso objetivo principal é revelar os ciclos jovens e fortes o mais cedo possível, caso contrário este ciclo está desatendido pode destruir qualquer uma das nossas estratégias de negociação.
Você pode usar a tecnologia wavelet como um sistema de aviso prévio para o comerciante: quando algum ciclo novo se torna ativo, a faixa vermelha horizontal aparece no diagrama wavelet. Este é o "alerta vermelho", e você precisa prestar alguma atenção a este ciclo. Basta assistir a esse ciclo, não sabemos quanto tempo esse ciclo pode viver.
A técnica é muito fácil aqui. Baseia-se no & quot; arraste e solte & quot; modelo de ciclo; Esta abordagem é explicada nesta classe: timingsolution / TS / Study / Classes / class_spectr_1.htm.
Em resumo, é assim que funciona:
a) no diagrama de espectro, pegue os ciclos mais influentes; eles correspondem a picos do diagrama. Basta clicar com o mouse no espectrograma em torno desses picos;
b) arraste e solte esses ciclos da caixa Ciclos para a tela principal (ou clique no botão);
c) o programa calculará a linha de projeção com base nesses ciclos:
d) Eu recomendo variar a quantidade de overtones e o parâmetro de memória do mercado de ações:
Agora, realizamos o procedimento semelhante com o módulo wavelet.
Execute o módulo wavelet, está no módulo Spectrum do programa:
Clique em & quot; Calcular & quot ;, e você obtém o diagrama wavelet como este:
Você pode ocultar o módulo de espectro agora clicando neste botão. A partir de agora, você só trabalhará com o módulo wavelet.
Mova o cursor do mouse para uma faixa vermelha que represente o ciclo forte e faça com que clique com o botão esquerdo do mouse:
Como você vê, o programa coloca este ciclo na caixa de ciclo e marca esse ciclo por linha horizontal no diagrama wavelet.
Você pode escolher vários ciclos:
Agora arraste e solte esses ciclos da caixa Ciclo para a tela principal (ou clique no botão) e o programa calculará imediatamente a linha de projeção com base nesses ciclos:
Eu recomendo variar a quantidade de toques:
Você também pode remover qualquer ciclo de & quot; Ciclo Caixa & quot; (botão "Excluir & quot;") ou exclua todos os ciclos (botão "Limpar").
Eu recomendo prestar atenção à "idade" do ciclo. A idade de qualquer ciclo é calculada em seu período. Por exemplo, se o ciclo de 10 dias estiver ativo nos últimos 30 dias, dizemos que a idade desse ciclo é de 3 períodos completos (3x10 = 30).
Se considerarmos outro ciclo com o período de 100 dias que está ativo nos últimos 200 dias, dizemos que a idade desse ciclo é de 2 períodos. Eu recomendo levar em consideração os ciclos que estão ativos pelo menos 2-3 períodos. Para ver a idade de qualquer ciclo, veja as barras vermelhas enquanto move o cursor do mouse através do diagrama wavelet. Essas 3 barras vermelhas cobrem um intervalo de tempo de três ciclos:
A faixa vermelha no diagrama wavelet deve cobrir o intervalo de tempo de pelo menos 3 períodos de ciclo.
As regras para retirar ciclos são:
1) a faixa deve ser brilhante (cor vermelha ou amarela)
2) a faixa deve ser suficientemente longa (no tempo) e cobrir pelo menos 2-3 períodos completos do ciclo.
3) a zona quente deve ser estreita.
Se os cálculos forem muito lentos.
1) para baixar, não o histórico de preços, mas apenas o histórico de preços mais recente:
1000-2000 últimos preços barras é suficiente.
2) tente diminuir o período máximo:
Nota para dados intraday.
Para dados intraday, o programa liga automaticamente as métricas da barra, ou seja, o período do ciclo é medido em barras (não em horas, dias). Consequentemente, a escala vertical do período no diagrama wavelet nos mostra o período em barras:

estratégia de comércio Wavelet
Obter através da App Store Leia esta publicação em nosso aplicativo!
Processamento de sinal digital na negociação.
Há um conceito de negociação ou observação do mercado com processamento de sinal originalmente criado por John Ehler. Ele escreveu três livros sobre isso.
Existem vários indicadores e modelos matemáticos que são amplamente aceitos e utilizados por algum software de negociação (mesmo o MetaStock), como MAMA, Hilbert Transform, Fisher Transform (como substitutos de FFT), Homodyne Discriminator, Hilbert Sine Wave, Instant Trendline, etc. inventados por John Ehler.
Mas é isso. Nunca ouvi falar de ninguém além de John Ehler estudando nesta área. Você acha que vale a pena aprender o processamento do sinal digital? Afinal, cada transação é um sinal e os gráficos de barras são uma forma um tanto filtrada desses sinais. Isso faz sentido?
As ondulações são apenas uma forma de "decomposição de base". As ondulações, em particular, se decompõem tanto na freqüência quanto no tempo e, portanto, são mais úteis do que fourier ou outras decomposições baseadas em pura pureza. Existem outras decomposições de tempo-freq (por exemplo, o HHT), que também deve ser explorado.
A decomposição de uma série de preços é útil na compreensão do movimento primário dentro de uma série. Em geral, com uma decomposição, o sinal original é a soma de seus componentes base (potencialmente com algum multiplicador de escala). Os componentes variam desde a menor freqüência (uma linha direta até a amostra) até a maior freqüência, uma curva que oscila com uma freqüência máxima aproximando N / 2.
Como isso é útil.
Denoising uma série que determina o componente principal do movimento na série que determina pivôs.
O Denoising é realizado recompondo a série, resumindo os componentes da decomposição, menos os últimos componentes de alta freqüência. Esta série desmantelada (ou filtrada), se bem escolhida, muitas vezes dá uma visão sobre o processo de preço do núcleo. Supondo a continuação na mesma direção, pode ser usado para extropolar por um curto período de antecedência.
À medida que as taxas horárias marcam em tempo real, pode-se observar como o processo de preços arruinado (ou filtragem) muda para determinar se um movimento de preços em uma direção diferente é significativo ou apenas ruído.
Uma das chaves, no entanto, é determinar quantos níveis de decomposição se recompor em qualquer situação. Poucos níveis (baixo freq) significarão que a série de preços recomposta responde muito devagar aos eventos. Muitos níveis (alta freqüência) significarão para uma resposta rápida, mas, talvez, muito ruído em alguns regimes de preços.
Dado que o mercado muda entre os movimentos laterais e os movimentos momentâneos, um processo de filtragem precisa se adaptar ao regime, tornando-se mais ou menos sensível aos movimentos na projeção de uma curva. Há muitas maneiras de avaliar isso, considerando o poder da série filtrada em relação ao poder da série de preços brutos, visando um certo% dependendo do regime.
Supondo que um tenha empregado com sucesso wavelet ou outras decomposições para produzir um sinal suave e apropriadamente reativo, pode tomar a derivada e usar para detectar mínimos e máximos à medida que a série de preços progride.
É preciso uma base que tenha "bom comportamento" no ponto final, de modo que a inclinação da curva no ponto final projeta na direção apropriada. A base precisa fornecer resultados consistentes no ponto final, uma vez que os sinais horários e não são tendenciosos.
Infelizmente, não tenho conhecimento de nenhuma base wavelet que evite os problemas acima. Existem algumas outras bases que podem ser escolhidas para melhorar.
Se você quiser buscar Wavelets e criar regras comerciais em torno deles, espere fazer muita pesquisa. Você também pode achar que, embora o conceito seja bom, você precisará explorar outras bases de decomposição para obter o comportamento desejado.
Eu não uso decomposições para decisões comerciais, mas eu as achei úteis na determinação do regime de mercado e outras medidas atrasadas.
Você precisa investigar como diferenciar métodos de interpolação versus métodos de extrapolação. É fácil construir um modelo que repita o passado (praticamente qualquer esquema de interpolação fará o truque). O problema é que esse modelo geralmente não tem valor quando se trata de extrapolar o futuro.
Quando você ouvir / ver a palavra "ciclos", uma bandeira vermelha deve estar subindo. Dig na aplicação de "Fourier Integral", "Série de Fourier", "Transformada de Fourier", etc., e você achará que, com frequências suficientes, você pode representar qualquer série de tempo o suficiente para que a maioria dos comerciantes de varejo possa estar convencido de que "funciona ". O problema é que ele não possui nenhum poder preditivo.
A razão pela qual os métodos de Fourier são úteis na engenharia / DSP é porque esse "sinal" (tensão, corrente, temperatura, independentemente) geralmente se repete no circuito / máquina onde foi gerado. Como resultado, a interpolação, em seguida, torna-se relacionada à extrapolação.
No caso de você estar usando R, aqui está um código de hacky para tentar:
O site da Ehler tem uma seção de artigos técnicos onde há documentos disponíveis para download gratuito, com código, para que você possa tentar as coisas por si mesmo. Eu, pessoalmente, tomei algumas de suas idéias e as combinei com outras leituras, fóruns etc. na net e acho que a aplicação de DSP para negociação mostra grande promessa e é definitivamente uma investigação digna. Se você está interessado, eu estou blogando sobre o meu progresso na aplicação desses princípios aqui.
As técnicas DSP que você está se referindo são excelentes para repetir sinais, mas não são adequadas para sinais aleatórios (como movimentos de preços). Embora existam algumas técnicas adequadas para escolher sinais fracos de grandes ambientes de ruído (o GPS é um que vem à mente), essas técnicas dependem de saber como é o sinal, e se você soubesse como era o sinal, você teria o mercado.
A análise do ciclo e o processamento do sinal podem ser úteis para os padrões sazonais, mas sem saber mais sobre o desempenho de tal abordagem de negociação, não consideraria um grau de processamento de sinal apenas para negociação. Você ficaria feliz em aplicar o que aprendeu no problema de tipo de engenharia padrão, porque isso pode ser o que você estará preso fazendo se não funcionar bem o suficiente com a negociação.
As análises DSP e Time Series são a mesma coisa. DSP usa "lingo" de engenharia e a análise de séries temporais usa "linguagem" matemática, mas os modelos são bastante simulares. O indicador cibernético de Ehler é um ARMA (3,2). Ehlers tem algumas idéias únicas: qual é o significado da fase de uma variável aleatória?
Esqueça todos esses chamados "Indicadores técnicos". Eles são uma porcaria, especialmente se você não sabe como usá-los. Meu conselho: compre um bom livro wavelet e crie sua própria estratégia.
Descobriu a transformação do Fisher de John Ehler bastante útil como um indicador na negociação de futuros, particularmente nos gráficos de crédito de Heikin-Ashi.
Eu confio nisso para a minha estratégia, mas não acho que seja confiável o suficiente para basear um sistema automatizado inteiro por conta própria, porque não provou ser confiável durante os dias agitados, mas pode ser bastante útil em dias de tendências como hoje. (Eu ficaria feliz em publicar um gráfico para ilustrar, mas não tenho a reputação necessária)

estratégia de comércio Wavelet
Neste momento, ainda não completamos um método simples e elegante para o comércio em tempo real de um sistema desenvolvido no TSSB. No entanto, existem várias maneiras possíveis (embora reconhecidamente estranhas) de trocar esses sistemas na atual encarnação do programa:
Se você estiver fazendo uma troca de fim de dia para os movimentos do "próximo dia" e o tempo de treinamento do seu sistema não é excessivo (o tempo de treinamento rápido é a situação mais comum), então você atualizaria o histórico de mercado a partir do final do dia, mas com dois adicionais & lsquo; falso & rsquo; registros de mercado. Execute o comando TRAIN e execute o comando WRITE DATABASE. Isso produzirá um arquivo de texto padrão contendo, entre outras coisas, o movimento de mercado previsto para o próximo dia. O arquivo de log produzido por treinamento irá listar os limiares para a tomada de posições longas e curtas. Compare o movimento do mercado previsto a esses limiares e tome uma posição em conformidade. Este método é um incômodo porque o usuário deve acrescentar fake & lsquo; amanhã & rsquo; registros para os arquivos do histórico de mercado. Mas a vantagem deste método é que o poder total de todos os modelos e comitês do TSSB pode ser invocado nas decisões de negociação.
O TSSB prevê a mudança de amanhã de manhã para a manhã seguinte. Por exemplo, suponha que tenhamos cerrado o dia de negociação 10. Previsto a mudança desde o dia 11 até o dia 12.
Mais uma vez, suponha que acabemos de fechar o dia 10. Em seguida, o caso mais recente no banco de dados pode ser o dia 8, que tem como objetivo a mudança do dia 9 ao dia 10 e o dia mais recente que temos é o dia 10.
Não há nenhuma maneira que o dia 9 poderia estar no banco de dados, porque seria necessário abrir o dia 11 e ainda não existe.
Assim, no final do dia 10, precisamos anexar dois registros falsos (apenas duplicado dia 10) para o dia 11 e dia 12.
Desta forma, o registro mais recente no banco de dados será para o dia 10, que incluirá a mudança prevista do dia 11 ao dia 12 com base no histórico que termina no dia 10. Isso, é claro, é o que precisamos para o comércio em tempo real.
Estas são as únicas duas possibilidades com a versão atual do TSSB. No entanto, estamos atualmente projetando uma interface TradeStation fácil de usar. O usuário desenvolverá um sistema de negociação no TSSB e, em seguida, exportará todo o conjunto de regras (modelos, comitês, limiares, etc.) em um único arquivo. Este arquivo seria lido automaticamente quando a TradeStation começar e o usuário teria acesso a um único indicador na TradeStation que levará o valor +1 quando uma posição longa for aberta, -1 quando uma posição curta for aberta e 0 quando o comerciante deve ser neutro. Uma data de entrega para esta interface da TradeStation depende do financiamento dos usuários do TSSB. Podemos fornecer uma cotação para este aprimoramento. As partes interessadas devem entrar em contato com David Aronson através da página do contrato.
Inclua custos de negociação no desenvolvimento do modelo e resultados de desempenho.
Os custos de negociação podem ter um impacto profundo na natureza dos modelos otimizados, e seus efeitos realmente devem ser incluídos nos números de desempenho relatados. Por exemplo, os custos significativos de negociação favorecerão os modelos que fazem negócios menos, mas mais confiáveis, em comparação com os modelos desenvolvidos sem contabilizar os custos de negociação. Além disso, se um sistema comercial desenvolvido faz inúmeros negócios, o deslizamento e as comissões podem facilmente converter um sistema altamente lucrativo em um sistema perdedor.
Modelos de Markov ocultos para classificação de regime.
Esperar um modelo único para lidar eficazmente com vários regimes de mercado diferentes (alta versus baixa volatilidade, tendências fortes versus mercados planos, etc.) não é realista. Os melhores sistemas de previsão são especializados em um único regime. Nosso método atual de definição de regimes (via Oracles, desencadeamento de eventos e modelos lineares divididos) emprega um limite fixo em uma variável. Este método, embora respeitável e útil, não é ótimo. Seria muito melhor basear definições de regime em variáveis ​​múltiplas, com sua correlação levada em consideração. Além disso, os modelos de HMM permitem probabilidades de transição, o que desencoraja whipsaws no limite de diferentes regimes. Ao empregar probabilidades estimadas otimamente de que um regime permanecerá em vigor ou mudar para outro, podemos desencorajar a mudança rápida e repetitiva de dentro e fora dos regimes, uma capacidade que o TSSB atualmente não possui.
Indicadores de Força Relativa Descrito por Gary Anderson em "The Janus Factor" (Bloomberg Press 2012)
Nossas explorações iniciais nesta fascinante família de indicadores de desempenho relativo mostram uma promessa considerável. Proponemos adicionar pelo menos os membros mais fundamentais desta família à biblioteca TSSB. Eles seriam um poderoso aprimoramento para o desenvolvimento de estratégias de negociação que se baseiam em setores de ranking ou em questões individuais dentro de um universo de ações.
Exibe bandas de confiança em curvas de equidade plotadas.
Seria bom superar as faixas de confiança nas curvas de equidade que traçamos. Isso permitiria ao usuário avaliar visualmente a relevância das curvas de equidade fora de amostra. Por exemplo, se a curva é impressionante e as bandas de confiança são apertadas, o usuário seria encorajado. No entanto, se a banda de confiança inferior for próxima a plana, ou mesmo mostra uma perda, o usuário não ficaria tão impressionado com uma curva de equidade de alta velocidade.
Desenvolva modelos baseados em desempenho comparado.
Muitos desenvolvedores acreditam que se deve aproveitar as tendências do mercado a longo prazo ao desenvolver um sistema comercial. Por exemplo, um pode favorecer posições longas ao negociar mercados de ações que têm um viés a longo prazo. No entanto, muitos outros acreditam que a remoção dos efeitos de tendência secular revela o verdadeiro poder preditivo dos modelos. Sob esta filosofia, os modelos devem ser desenvolvidos que maximizem o desempenho sem aproveitar as tendências. Existem métodos para separar o desempenho de um sistema de negociação em dois componentes: isso devido a favorecer posições que aproveitam a tendência secular, e isso devido ao verdadeiro poder preditivo. Atualmente, o TSSB baseia sua seleção de indicadores, bem como seus limiares de negociação otimizados no total dessas duas quantidades. Proponemos adicionar a opção de TSSB escolhendo indicadores e limiares de negociação com base no verdadeiro poder preditivo sozinho, não contaminado pelo viés de posição devido à tendência. Isso será feito otimizando o desempenho em relação a um benchmark que se baseie na interação entre tendência e viés de posição.
P-valores para o desempenho OOS com base em curvas de equidade.
Para avaliar adequadamente o desempenho de um sistema de negociação, precisamos calcular duas quantidades: uma estimativa imparcial do desempenho futuro e a probabilidade (valor p) que um sistema realmente inútil teria realizado, bem como o nosso sistema fez na parte de trás - teste. O TSSB atualmente possui diversos algoritmos excelentes para fornecer estimativas imparciais do desempenho futuro. Também possui vários métodos para calcular valores de p:
Um teste de permutação de Monte-Carlo estima valores p quando o alvo se parece um dia. Este teste é inválido para look-aheads maior que um dia. O bootstrap de bloco cônico e o bootstrap estacionário no TSSB podem, teoricamente, lidar com qualquer look-ahead, mas, na prática, eles não são confiáveis. O treinamento de permuta fornece valores de p para todo o conjunto de dados históricos. Mas é extremamente lento, às vezes é proibitivamente lento. Além disso, porque inclui dados históricos antes do período de OOS de avanço no qual se baseiam estimativas de desempenho futuras imparciais, pode ser enganosa. Por exemplo, suponha que desejemos desenvolver nosso sistema usando os dados de 1995-2012 e queremos que o teste walkforward comece em 2005. Podemos achar que o valor p é significativo e o desempenho futuro esperado baseado em OOS é excelente. Isso parece promissor. Mas e se o p-valor significativo vier estritamente dos dados anteriores a 2005? Os dados que forneceram o bom valor p e os dados que proporcionaram a boa estimativa de desempenho imparcial não se sobrepõem!
Assim, vemos que nenhum dos métodos atuais do TSSB para estimar p-valores são ideais. Sugerimos adicionar outra alternativa: valores p base na curva patrimonial obtida no período OOS. Isso irá lidar com alvos com qualquer distância à frente, e garante que os valores p sejam baseados no mesmo período que foi usado para estimativas imparciais do desempenho futuro. Como um bônus final, isso também irá lidar com carteiras de tipo OOS, embora não seja bem como permutação walkforward descrita na próxima seção.
Teste ambulatorial com permutação.
Nosso treinamento de permutação existente é uma maneira poderosa de estimar os valores de p para a performance do conjunto de treinamento. No entanto, isso desacopla os valores de p do desempenho futuro esperado produzido pelo teste avançado. Este efeito, descrito em "valores P para desempenho OOS com base em curvas de equidade" acima, é problemático. Em outras palavras, o treinamento de permutação calcula p-valores com base em todo o histórico de mercado disponível (treinamento mais períodos de OOS), enquanto o teste avançado estima o desempenho futuro esperado com base apenas no período OOS. Não é bom que eles sejam períodos de tempo separados. Idealmente, ambos devem cobrir o mesmo período de tempo para evitar que uma situação de um p-valor significativo seja obtida estritamente da atividade que precedeu o período OOS. Uma solução para este problema seria a extensão da permutação para testes avançados. Isso uniria diretamente a estimativa imparcial do desempenho futuro para p-valores para isso. Além disso, o treinamento de permutação não pode calcular os valores p para as carteiras que são selecionadas com base no desempenho fora da amostra dos sistemas de negociação de componentes. A permutação Walkforward superaria esta limitação compensando corretamente e eficientemente o viés de seleção inerente à construção do portfólio. Qual é a vantagem da permutação walkforward sobre a computação de p-valores com base nas curvas de equidade, conforme descrito acima? Simplificando, os valores p calculados pela permutação walk-forward serão na maioria dos casos mais precisos do que os calculados por meio de curvas de equidade. Essa diferença pode ser substancial em algumas situações.
Nota sobre "valores de P para o desempenho da OOS com base em curvas de equidade" versus "testes de prospecção com permutação".
As duas opções descritas acima fazem essencialmente as mesmas coisas:
Eles calculam os valores de p para o período OOS, que a versão atual do TSSB não pode fazer bem em um sentido geral. Eles levam em consideração o viés de seleção de carteiras de tipo OOS, que a versão atual do TSSB não pode fazer.
No entanto, eles realizam essas tarefas de maneiras completamente diferentes e cada uma tem suas próprias vantagens e desvantagens:
O método da curva de equidade será executado muito mais rápido do que o método de permutação walkforward. O método da curva de ações facilita o planejamento de bandas de confiança nas curvas de equidade.
(Em duas situações, o método de permutação proporcionará valores de p que são consideravelmente mais precisos (menos erro aleatório em sua computação) do que o método da curva de equidade, tornando-os mais comuns. Eles são mais valiosos.
A diferença de linha de fundo entre os dois métodos é uma compensação entre a velocidade de execução e a qualidade dos resultados.
Regressão logística e Ridge.
Estes são "modelos quase lineares" que compartilham os benefícios da regressão linear comum (muito menos propensos a superar do que a maioria dos modelos não-lineares, fácil interpretação), mas que são mais sofisticados em termos de capacidade de lidar com dados menos do que ideais (alvos ruidosos e preditores correlacionados).
Nosso modelo OPSTRING atual pode ser grandemente melhorado, eliminando candidatos matematicamente inúteis antes de entrar no pool de população genética para avaliação e reprodução potencial. Isso melhorará a eficiência do algoritmo de otimização genética. Por exemplo, a versão atual do OPSTRINGs no TSSB pode, por sorte, ter má sorte, incluir um termo como "X & gt; X + 1" em uma população. Obviamente X nunca pode exceder X mais um. Este é um termo sem sentido porque é sempre falso. Eventualmente, será eliminado do pool de genes, mas até que isso ocorra, os recursos computacionais serão desperdiçados lidar com isso.
Posições abertas com ordens limitadas.
Os alvos disponíveis na atual biblioteca TSSB assumem que, quando um comércio é sinalizado, é imediatamente aberto com uma ordem de mercado. Poderíamos adicionar alvos que respondessem a um sinal comercial, emitiendo uma ordem limite que pode ou não ser executada.
Desempenho do supercomputador em um PC via processamento CUDA.
As placas de exibição de vídeo nVidia modernas tornam o seu enorme poder de processamento paralelo disponível para os usuários através do que chamam de interface CUDA. Os melhores modelos não-lineares, como as redes neurais de regressão geral, podem ser extremamente difíceis de treinar, tornando-os impraticáveis ​​para problemas muito grandes. Programação As implementações CUDA dos melhores modelos podem acelerar o treinamento por um fator de centenas, ou mesmo milhares, reduzindo o tempo de treinamento de horas a segundos.
Mais estatísticas de desempenho.
O TSSB atualmente calcula e imprime um conjunto limitado de estatísticas de desempenho para sistemas de negociação desenvolvidos. Outros produtos comerciais exibem uma vasta gama de estatísticas. Podemos adicionar mais estatísticas ao arquivo de resultados do programa.
Mais critérios de otimização para carteiras.
Atualmente, o TSSB seleciona os membros do portfólio, maximizando a Razão de Sharpe. Isso é excelente, mas muitos usuários gostariam de empregar outros critérios de otimização, como maximizar os índices de retorno para retirada.

Estratégia rentável da Rede Neural.
(Se você já possui uma conta, inicie sessão no topo da página)
Estamos aqui para ajudar. Apenas deixe-nos saber o que você precisa. Trabalhamos extremamente para manter as coisas positivas em nossa comunidade. Não toleramos comportamento grosseiro, trolling ou vendedores publicitários em postagens. Nós acreditamos firmemente e incentivamos a partilha. O santo Graal está dentro de você, podemos ajudá-lo a encontrá-lo. Esperamos que nossos membros participem e se tornem parte da comunidade. Ajude-se ajudando os outros.
Você precisará se registrar para ver o conteúdo dos tópicos e começar a contribuir para a nossa comunidade. É grátis e simples.
Estratégia rentável da Rede Neural.
1) Pare de mudar as coisas. Sem novos indicadores, gráficos ou métodos. Seja consistente com o que está diante de você primeiro.
2) Comece um diário e publique-o diariamente com os negócios que você fez para mostrar seus pontos fortes e fracos.
3) Defina objetivos para você alcançar diariamente. Faça-os sobre como você troca, não quanto dinheiro você faz.
4) Aceite a responsabilidade por suas ações. Pare de procurar em outro lugar para explicar o mau desempenho.
5) Onde começar como comerciante? Assista este webinar e leia esse tópico para centenas de perguntas e respostas.
6) Ajudar a usar o fórum? Assista este vídeo para aprender dicas gerais sobre o uso do site.