Нещодавно я провів глибоке дослідження застосування моделі Kronos у прогнозуванні контрактів на події. Аналізуючи 1500 даних свічок за одну годину, я використав унікальний підхід для оцінки точності моделі.
Конкретно, я використав три різні моделі, кожна з яких була обчислена 30 разів, що в цілому становить 90 симуляцій. Основна суть цього підходу полягає в порівнянні результатів обчислень з напрямком зміни поточної ціни. Коли узгодженість прогнозованого напрямку перевищує 90%, ми розглядаємо можливість відкриття ордера.
Результати показують, що з п’яти прогнозів чотири виявилися вірними, і цей рівень успішності дійсно вселяє оптимізм. Проте ми також повинні залишатися обережними, оскільки ці результати ще не пройшли довгострокову перевірку. Складність і непередбачуваність ринку означають, що високий рівень успішності в короткостроковій перспективі не обов’язково може тривати.
З технічної точки зору, такий підхід з багатьма моделями та багаторазовими обчисленнями допомагає зменшити упередження, яке може бути пов'язане з однією моделлю. Завдяки комплексному аналізу результатів різних моделей, ми можемо отримати більш всебічний та надійний прогноз.
Проте, ми також повинні усвідомлювати, що будь-яка модель прогнозування має свої обмеження. Ринок підлягає впливу багатьох факторів, включаючи, але не обмежуючись, економічною політикою, глобальними подіями, емоціями інвесторів тощо, які всі є важко повністю кількісно оцінити.
Отже, хоча поточні результати виглядають обнадійливо, нам все ж потрібно провести більше тестувань та верифікацій. У майбутньому, можливо, нам слід розглянути можливість впровадження більше джерел даних або оптимізації алгоритму для підвищення стабільності та надійності моделі.
В цілому, цей експеримент надав нам цікавий погляд, що дозволяє побачити потенціал використання аналізу даних та машинного навчання для прогнозування ринку. Але водночас він також нагадує нам про необхідність зберігати обережність і ставлення до безперервного навчання. На фінансових ринках немає завжди правильних моделей, є лише процес постійного вдосконалення.
Переглянути оригінал
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
Нещодавно я провів глибоке дослідження застосування моделі Kronos у прогнозуванні контрактів на події. Аналізуючи 1500 даних свічок за одну годину, я використав унікальний підхід для оцінки точності моделі.
Конкретно, я використав три різні моделі, кожна з яких була обчислена 30 разів, що в цілому становить 90 симуляцій. Основна суть цього підходу полягає в порівнянні результатів обчислень з напрямком зміни поточної ціни. Коли узгодженість прогнозованого напрямку перевищує 90%, ми розглядаємо можливість відкриття ордера.
Результати показують, що з п’яти прогнозів чотири виявилися вірними, і цей рівень успішності дійсно вселяє оптимізм. Проте ми також повинні залишатися обережними, оскільки ці результати ще не пройшли довгострокову перевірку. Складність і непередбачуваність ринку означають, що високий рівень успішності в короткостроковій перспективі не обов’язково може тривати.
З технічної точки зору, такий підхід з багатьма моделями та багаторазовими обчисленнями допомагає зменшити упередження, яке може бути пов'язане з однією моделлю. Завдяки комплексному аналізу результатів різних моделей, ми можемо отримати більш всебічний та надійний прогноз.
Проте, ми також повинні усвідомлювати, що будь-яка модель прогнозування має свої обмеження. Ринок підлягає впливу багатьох факторів, включаючи, але не обмежуючись, економічною політикою, глобальними подіями, емоціями інвесторів тощо, які всі є важко повністю кількісно оцінити.
Отже, хоча поточні результати виглядають обнадійливо, нам все ж потрібно провести більше тестувань та верифікацій. У майбутньому, можливо, нам слід розглянути можливість впровадження більше джерел даних або оптимізації алгоритму для підвищення стабільності та надійності моделі.
В цілому, цей експеримент надав нам цікавий погляд, що дозволяє побачити потенціал використання аналізу даних та машинного навчання для прогнозування ринку. Але водночас він також нагадує нам про необхідність зберігати обережність і ставлення до безперервного навчання. На фінансових ринках немає завжди правильних моделей, є лише процес постійного вдосконалення.