-
Проскальзывание (slippage) и его влияние на реальные результаты торговли
Проскальзывание (slippage) — это разница между ценой, по которой стратегия ожидала исполнения ордера, и ценой, по которой он был исполнен фактически. И это довольно частое явление в трейдинге. В большинстве стратегий проскальзывание — постоянная составляющая транзакционных издержек, которая систематически снижает доходность.…
-
Среднее арифметическое прогнозов. В чем магия?
В статистике и машинном обучении есть любопытный факт: среднее арифметическое нескольких прогнозов зачастую превосходит прогнозы большинства отдельных моделей — и это воспроизводится на данных из разных областей: от метеорологии до финансов. Этот эффект не интуитивен: кажется, что усреднение хорошей модели с…
-
Байесовский информационный критерий (BIC)
Байесовский информационный критерий (BIC, Bayesian Information Criterion) — метрика для сравнения статистических моделей, балансирующая качество подгонки и сложность модели. Предложен Гидеоном Шварцем в 1978 году, поэтому в литературе встречается также как критерий Шварца (SBC, Schwarz Bayesian Criterion). Критерий BIC решает фундаментальную…
-
Анализ временных рядов с помощью нейросетей: полный обзор подходов
Анализ временных рядов — одна из наиболее частых задач, с которой сталкиваются аналитики и дата-саентисты: трафик сайтов, экономические показатели, продажи и спрос, биржевые котировки, потребление электроэнергии, датчики IoT, медицинские сигналы… Все это временные ряды. Несмотря на то, что эта область очень…
-
Прогнозирование динамики фьючерсов с XGBoost
Градиентный бустинг XGBoost занял устойчивое место в арсенале квант-аналитиков не случайно. На табличных данных с нелинейными зависимостями он стабильно превосходит линейные модели, а по скорости обучения и интерпретируемости выигрывает у нейросетей. Фьючерсные данные — именно тот тип данных, где эти преимущества…
-
Современные методы STL декомпозиции (STL Decomposition)
STL (Seasonal and Trend decomposition using Loess) — один из фундаментальных инструментов анализа временных рядов. Метод разделяет ряд на три компоненты: тренд, сезонность и остаток. Это позволяет анализировать каждую составляющую независимо, строить более точные прогнозы и выделять аномалии. С момента публикации…
-
Библиотека Greykite в Python: установка, настройка и практические примеры прогнозирования рядов
Greykite — библиотека для прогнозирования временных рядов с открытым исходным кодом, разработанная командой LinkedIn и выпущенная в 2021 году. Основу составляет алгоритм Silverkite — быстрая аддитивная модель, построенная на ridge-регрессии с богатым набором фич: тренд, сезонность, праздники, взаимодействия между компонентами. В…
-
VWAP стратегия: расчет, бэктестинг и оценка эффективности
VWAP (Volume Weighted Average Price) — средневзвешенная по объему цена за период. В отличие от простой скользящей средней, VWAP учитывает не только динамику цены, но и количество контрактов или акций, торгуемых на каждом ценовом уровне. Это делает его значительно более информативным…
-
25 преимуществ частного трейдера перед хедж-фондами
Существует устойчивый миф: чтобы зарабатывать на рынках, нужна армия аналитиков, Bloomberg-терминал за $24 000 в год и офис в небоскребе на Манхэттене. Хедж-фонды десятилетиями культивировали этот образ — и небезосновательно. Институциональный капитал обладает реальными преимуществами: доступом к IPO, инфраструктурой, связями с…
-
Скользящие оконные функции в Pandas
Скользящие оконные функции решают фундаментальную задачу анализа временных рядов: извлечение локальных паттернов из последовательных данных. Метод основан на применении агрегирующих операций к подмножествам наблюдений фиксированного размера, которые последовательно сдвигаются вдоль временной оси. Библиотека Pandas предоставляет три типа окон для работы с…
Добро пожаловать на сайт Machine Learning Guru! Здесь вы найдете увлекательные статьи и полезные советы о data science, машинном обучении, нейронных сетях, финансовой и биржевой аналитике, веб-аналитике, прогнозировании данных, временных рядах и современных алгоритмах исскуственного интеллекта.
На сайте mlgu.ru представлены: гайды по исследованиям данных, примеры кода на Python, SQL и других языках программирования, примеры анализа данных и построения ML-моделей в различных сферах и проектах. Здесь вы также найдете обзоры новейших инструментов и библиотек data science и machine learning, а также сможете ознакомиться с лучшими практиками по оптимизации бизнес-процессов с помощью этих инструментов.