รุ่นมาร์คอฟที่ซ่อน - เทรนด์ดังต่อไปนี้ - ส่วนที่ 4 จาก 4 ปรับปรุง: มีรูปลักษณ์ที่ไปข้างหน้าข้อผิดพลาดในรหัสเมื่อคำนวณ outOfSampleLongReturns และเป็น outOfSampleShortReturns นี้ได้รับการแก้ไขและลดอัตราส่วนเศร้าชาร์ป 3.08-0.857 นี่คือเหตุผลที่ฉันมักจะเผยแพร่รหัสเพื่อให้ความโปร่งใสมากกว่าเว็บไซต์อื่น ๆ ส่วนที่ 3 ของชุดนี้แสดงให้เห็นถึงวิธีการฝึกอบรมในรูปแบบอืมของเล่นโพสต์นี้จะมุ่งเน้นไปที่วิธีการที่จริงการสร้างแบบจำลองไปเกี่ยวกับข้อมูลในชีวิตจริง แนวโน้มกลยุทธ์ต่อไปนี้จะได้รับการพัฒนาสำหรับการซื้อขาย S & amp; P 500 ในเครื่องส่วนใหญ่ปัญหาการจัดหมวดหมู่ที่คุณต้องเรียนรู้ชุดของข้อมูลการฝึกอบรมที่มีป้ายชื่อชั้น ในขณะที่เรามีข้อมูลการตลาดที่เราไม่ได้มีป้ายชื่อชั้นที่งานแรกคือดังนั้นในการสร้างป้ายชื่อชั้นข้อมูลการฝึกอบรม เราต้องการที่จะพัฒนากลยุทธ์แนวโน้มต่อไปนี้เราจะต้องเลือกชิ้นส่วนของ S & amp; P 500 ชุดเวลาและป้ายพวกเขาเป็นอย่างใดอย่างหนึ่งในแนวโน้มขึ้นหรือแนวโน้มลง (หรืออาจจะมีแนวโน้มป้ายชื่อไม่ได้) ในทางทฤษฎีคุณสามารถทำเช่นนี้ด้วยมืออย่างไรก็ตามเรื่องนี้จะต้องไม่เป็นไปได้ที่จะทำมากกว่าทั้งจักรวาลของหุ้น แต่เราสามารถเขียนโปรแกรมโดยอัตโนมัติจำแนกข้อมูลสำหรับเราว่าคุณจำแนกข้อมูลเป็นแนวโน้มขึ้นอยู่กับความหมายของแนวโน้มของคุณ ป้ายชื่อจะเห็นในตารางด้านล่างและราคาที่มีสีเขียวภายใต้หมายความว่าจะได้รับการระบุว่าเป็นสัญญาณที่ยาวราคาใด ๆ กับสีแดงดังกล่าวข้างต้นก็หมายความว่ามันมีป้ายสั้น ในรหัสที่ให้ไว้ฉันจะตรวจสอบเพื่อดูว่าราคาปัจจุบันเป็นราคาที่ต่ำที่สุดสำหรับถัดไประยะเวลา 10 (ตัวแปร NDayLookforwardLowHigh) หากมีแล้วไปนานถ้าตัวแปรเป็นที่สูงที่สุดในอีก 10 รอบระยะเวลาจากนั้นปิดยาว ทำย้อนกลับสำหรับกางเกงขาสั้น มันเป็นน้ำมันดิบน้อยและผมคิดว่ามีวิธีการที่ดีขึ้นอย่างมีนัยสำคัญในการจำแนกแนวโน้มอาจจะมีประโยชน์ที่จะนำข้อ จำกัด ความผันผวนในแนวโน้ม (หวังว่าควรจะกรองผ่านและปรับปรุงอัตราส่วนชาร์ป) นอกเหนือไปจากการติดฉลากข้อมูลชุดของเวกเตอร์ "คุณสมบัติ" จะต้องสร้างคุณสมบัติที่ควรมีตัวแปรที่เป็นประโยชน์ต่อการตรวจสอบแนวโน้ม เวกเตอร์คุณลักษณะที่ผมเคยมีอัตราส่วนของการเปิดให้ปิดราคาที่เปิดให้ราคาสูงเปิดให้ราคาต่ำและทุกชุดกลาง บ่อยครั้งที่มันเป็นที่พึงปรารถนาในการจำลองการเปลี่ยนแปลงของตัวแปรเหล่านี้และนำการเปลี่ยนแปลงระยะเวลาหนึ่งในตัวแปรเหล่านี้ภายในของเวกเตอร์คุณลักษณะ ภาพด้านบนแสดงให้เห็นถึงความน่าจะเป็นของแต่ละระบอบการปกครองของตลาดที่ได้รับการฝึกอบรมใน HMM ข้อมูลชุดเดียวกัน มันเป็นความมั่นใจที่จะเห็นว่าระบอบการปกครองยาวกลายเป็นที่ไม่น่าจะผิดพลาดมากในช่วงปี 2008 หนึ่งในคุณสมบัติที่ดีของอืมคือการที่พวกเขาช่วยให้การสร้างแบบจำลองสถานการณ์ที่มีระยะเวลาที่แตกต่างกัน แต่ของชั้นเดียวกัน ตัวอย่างเช่นแนวโน้มอาจจะมีอายุการเป็นเวลา 10 วันและแนวโน้มอื่นอาจมีอายุการใช้งาน 35 วันเราสามารถผ่านทั้งสองตัวอย่างเหล่านี้เป็น HMM และมันจะพยายามและรูปแบบที่แตกต่างกันในช่วงระยะเวลาที่ใช้ในการเปลี่ยนสถานะความน่าจะเป็นภายใน ออกจากผลตัวอย่าง: ชาร์ปอัตราส่วน 0.857