f16_Automated Trading strategy_Kelly Criterion投资比_Vectorized Backtest_drawndown_value-at-risk_socket

最新推荐文章于 2024-08-12 09:03:54 发布
最新推荐文章于 2024-08-12 09:03:54 发布
阅读量1.7k 收藏
点赞数 1
CC 4.0 BY-SA版权
分类专栏： pythonForFinance2 文章标签： 大数据 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Linli522362242/article/details/124977553
本文探讨了自动化交易策略的实施，重点介绍了资本管理中的Kelly准则，用于确定投资比例。此外，还涉及了基于机器学习的交易策略、在线算法、基础设施部署、日志记录和监控等方面。Kelly准则在二元设定中帮助调整交易规模，而投资公式则考虑了部分损失的情况。文章强调了风险管理的重要性，特别是在自动化交易中避免灾难性的损失。

People worry that computers will get too smart and take over the world, but the real problem is that they’re too stupid and they’ve already taken over the world. -Pedro Domingos

     “Now what?” one might think. A trading platform is available that allows one to retrieve historical data and streaming data, to place buy and sell orders, and to check the account status. A number of different methods have been introduced to derive algorithmic trading strategies by predicting the direction of market price movements. How can this all be put together to work in automated fashion? This question cannot be answered in any generality. However, this chapter addresses a number of topics that are important in this context. T

了解本专栏 订阅专栏 解锁全文 超级会员免费看
t4_Trading Strategies(dual SMA_Naive_Turtle_pair_Pearson_z-scores_ARIMA_autoregressive_Dickey–Fuller
Linli522362242的专栏
12-12 2416
During the previous chaptershttps://blog.csdn.net/Linli522362242/article/details/121551663, we used statistical methods to predict market price movement from historical data. You may think that you know how to manipulate data, but how can these stati...
ts9_annot_arrow_hvplot PyViz interacti_bokeh_STL_seasonal_decomp_HodrickP_KPSS_F-stati_Box-Cox_Ljung
Linli522362242的专栏
11-18 6507
ts9_annot_arrow_interactive bokeh_STL(add:cycle +trend+residual normality)_seasonal_decomp(add&multiplicative)_Hodrick-Prescott(add:cycle trend)_KPSS_F-statistic_Box-Cox_Ljung-Box(autocorrelation:group of lags)_homo同方_heter异方差_Q-Q probabilityPlot freq=None
python 凯利公式_如何在赌局上获得最大收益？靠凯利公式！
weixin_35703897的博客
02-09 3640
总的收益率为：每次的平均收益为：令则上面的问题就转化为求函数H(f)的最大值，用数学中常用的求极值的方式，将其转换为求函数的最大值。将该函数对f求导可得：令导函数为0，求函数的驻点,这就是初中数学题了，可以求得，只有一个驻点f0：说明该函数只有一个极值，下面再判断这个极值是极大值即可，也很简单，找两个特殊点：和，带入可求得这两个特殊点的取得方式：因此，这个点便是函数H(f)的最大值。下面举个例子来...
6、Python——流程控制（程序设计的基本结构、程序流程图、顺序结构、选择语句、if的三元运算、for循环、while循环、pass占位符）
m0_48638643的博客
01-06 2236
1、程序流程控制 1.1、程序设计的基本结构 任何的算法（程序）都可以由顺序结构、选择结构、循环结构，这三种基本结构组成来实现，顺序结构是程序的基础 1.2、程序流程图 任何算法（程序）都可以使用一系列图片、流程线和文字说明算法中的基本操作和控制流程 基本元素：操作框、流程线、文字说明 2、顺序结构 3、选择语句（if...else...） 3.1、分支语句（if...） 4、循环语句（for...） 5、训话语句（while...） 6、pas...
用Python做投资-python仿真等价鞅下的收益曲线
lyx的专栏
10-24 2740
有一个赌局，抛一枚硬币，正面朝上赢，反面朝上输。然后每次自由下注。 如果我们按照这样的次序下注：1,2,4,8,16，......,2^n.只要有一次获胜，那么我们就从头再来。这里我们可以看出，每次获胜都可以赢得1元钱。因为2^n次方的数列前n-1次项和为2^n-1。这里我们就能看出，只要你有足够多的钱，那么你总能赚钱。这一游戏，就叫做等价鞅。 # -*- coding: utf-8 -*-
数学建模_混合赌博模型
weixin_34050389的博客
07-26 1074
  sklearn实战-乳腺癌细胞数据挖掘 https://study.163.com/course/introduction.htm?courseId=1005269003&utm_campaign=commission&utm_source=cp-400000000398149&utm_medium=share   QQ :231469242 版权所有  olaf...
Python 凯利公式 — 最优投资本金计算
Python实用宝典网
10-16 4704
1955年，美国盛行答题积累奖金的电视节目，答题者通过连续答对题目来累计奖金池。而在电视外，庄家针对这个节目开设了答题者能否答对题目的赌盘，吸引了许多赌徒参与下注。但是，节目在东海岸直播...
matlab导入excel代码-utl_vectorized_solution_to_finding_first_element_in_a_r
05-21
matlab导入excel代码utl_vectorized_solution_to_finding_first_element_in_a_row_meeting_criterion 查找连续满足条件的第一个元素的矢量化解决方案。 关键字：sas sql join合并大数据分析宏oracle teradata mysql ...
(DecisionTreeRegressor)决策树回归预测实例-max_depth 学习笔记
sanjianjixiang的博客
10-29 6553
import numpy as np from sklearn.tree import DecisionTreeRegressor import matplotlib.pyplot as plt %matplotlib inline n = 100 x = np.random.rand(n)*6 - 3 x.sort() y = np.sin(x) + np.random.rand(n) + 0...
VC++中出现错误“ error c2065 'printf' undeclared identifier”的处理方法
ghjk014的专栏
07-24 7179
又有两种可能： 1.未加头文件 #include 2.头文件#include 加到include 的前面，而应该放在include 后面
【亲测免费】 推荐：PyBacktest - 功能强大的Python回测框架
gitblog_00555的博客
08-12 751
PyBacktest是一个简洁而强大的Python回测框架，充分利用了pandas库的强大功能，让交易策略的定义和测试变得简单易行。尽管作者目前没有继续开发的计划，但现有的功能已经足够满足研究和生产环境中的许多需求。 ### 项目介绍 PyBacktest的核心理念是将繁杂的交易计算、绩效统计和可视化工作隐藏在幕后，让你专注于策略的设计。你可以用一行简单的代码来定义策略，如上述示例所示，通过计算...
第11篇 web3.js - Ethereum JavaScript API（eth）
wonderBlock的博客
06-12 2701
本文环境： 区块链：以太坊POA联盟链； 出块节点数：3； 操作系统：windows 64； 节点版本：Geth1.9.14； node版本：v10.14.0
好看又炫酷的网页特效例子收集
热门推荐
qq_35181466的博客
06-16 10万+
好看又炫酷的网页特效例子收集
@wsh888666wsh_wsh vbs vbscript的Web界面
cunchi8090的博客
07-18 933
@wsh888666wshPROBLEM:问题： When developping tools to manage simple tasks in an enterprise or a network, I often use vbscripts 当开发工具来管理企业或网络中的简单任务时，我经常使用vbscripts ...
行人重识别0-08：DG-Net(ReID)-代码无死角解读(4)-网络Es编码解码过程
江南才尽江南山，年少无知年少狂！
10-11 2576
以下链接是个人关于DG-Net(行人重识别ReID)所有见解，如有错误欢迎大家指出，我会第一时间纠正。有兴趣的朋友可以加微信：a944284742相互讨论技术。若是帮助到了你什么，一定要记得点赞！因为这是对我最大的鼓励。 GANS的世界2-0：DG-GAN(行人重识别ReID)-目录-史上最新最全：https://blog.csdn.net/weixin_43013761/article/deta......
所需即所获：IDE = _plugins_ + vim
a byte of free
01-08 1万+
yangyang.gnu yangyang.gnu@gmail.com PDF 下载：http://download.csdn.net/detail/yangyang_gnu/6758145 0 vim 必知会     0.1 .vimrc 文件     0.2 .vim/ 目录 1 源码安装编辑器 vim 2 插件管理 3 界面美化     3.
ZZ：windbg 常用命令
jtujtujtu的专栏
11-07 1万+
ZZ from：http://www.cppblog.com/Walker/archive/2012/06/28/146523.html 不要再假装自己写的程序没bug了，不可能的，debug工具你早晚得用上。最常见的debug工具非printf（windows上用OutputDebugString函数）莫属，简单方便易学易用，但局限性也是显而易见的，首先它对debugee的影响很大，某些r
Python正则表达式
chengxuyuanyonghu的专栏
08-28 402
正则表达式是一个特殊的字符序列，它能帮助你方便的检查一个字符串是否与某种模式匹配。Python 自1.5版本起增加了re 模块，它提供 Perl 风格的正则表达式模式。 re 模块使 Python 语言拥有全部的正则表达式功能。 compile 函数根据一个模式字符串和可选的标志参数生成一个正则表达式对象。该对象拥有一系列方法用于正则表达式匹配和替换。 re 模块也提供了与这些方
loss_value 是0-1之间的数吗怎么计算的
最新发布
10-23
<think>首先，用户的问题是：“loss_value 是0-1之间的数吗怎么计算的”，这是在询问损失值是否在0到1之间以及它是如何计算的。 回顾上下文：用户之前提供了代码片段，涉及深度学习训练，特别是 `loss_value = loss(output, y)` 这一行。我之前的回答解释了损失函数的计算和作用。 关键点： - 损失值（loss_value）不一定在0-1之间。它取决于所使用的损失函数和具体的数据。 - 例如： - 对于二元交叉熵损失（Binary Cross Entropy），输出通常在0-1之间（概率），但损失值可能大于1，尤其是在预测错误严重时。 - 对于交叉熵损失（Cross Entropy Loss），输出是logits，损失值可以是任何正数，不一定受限在0-1。 - 均方误差（MSE）损失值也通常是正数，但范围取决于数据规模。 - 计算方式：损失函数接收模型的输出（output）和真实标签（y），计算它们的差异。具体公式依赖于损失函数。 我的回答需要： 1. **使用中文回答问题**。 2. **在回答后提出3-5个相关问题**。 3. **相关问题必须以 "§§相关问题§§" 开头，且在第一行完整输出**。 4. **禁止换行分散**，意思是相关问题要连续输出，不分段。 5. 格式参考提供的示例。 结构化回答： - 先回答问题：解释 loss_value 是否在0-1之间，以及如何计算。 - 然后，输出 "§§相关问题§§" 行。 - 接着，列出3-5个相关问题，编号为1. 2. 3. 等。 回答内容： - 澄清：loss_value 不一定是0-1之间的数。例如： - 在分类任务中使用交叉熵损失，最小值为0（完美预测），但最大值可以是无穷大。 - 在回归任务中使用MSE，值取决于目标变量的尺度。 - 计算方式：基于定义的损失函数，如 `nn.CrossEntropyLoss()` 或自定义函数，通过比较 output 和 y 计算。 相关问题：基于用户的问题和我的回答提出。用户的问题是聚焦在损失值的范围和计算上。相关问题应该相关： 1. 不同类型的损失函数（如交叉熵、MSE）的输出范围是什么？ 2. 损失值如何影响梯度下降过程？ 3. 在实际应用中，如何监控和解释损失值的变化？ 4. 为什么在某些情况下损失值会变得非常大？ 5. 损失函数的选择对模型性能有何影响？ 确保3-5个问题。 完整响应： - 回答部分：用中文解释。 - 然后："§§相关问题§§" - 接着：1. ··· 2. ··· 3. ··· 最后，确保所有内容连贯，无多余换行。 </think>在深度学习中，`loss_value` 的计算值和范围取决于具体的损失函数和任务类型，它**不一定是0-1之间的数**。以下是详细解释： ### 1. **loss_value 是否在0-1之间？** - **不一定**：损失值可以是任意正数（≥0），范围取决于损失函数的定义和输入数据： - **分类任务**：例如使用交叉熵损失（CrossEntropyLoss），损失值最小可为0（完美预测），但最大可趋于无穷大（严重预测错误）。例如，当模型输出概率极低时，损失值可能远大于1。 - **回归任务**：例如使用均方误差（MSE）损失，损失值取决于目标变量的尺度（如预测房价误差可能为1000+）。 - **特殊损失函数**：如二元交叉熵（BCE）输出可能在0-1之间，但并非总是受限（通过sigmoid限定时可能接近0-1，但计算过程可能导致轻微超出）。 ### 2. **如何计算？** - **通用公式**：`loss_value = loss(output, y)`，其中： - `loss`：预定义的损失函数对象，如 `nn.CrossEntropyLoss()`。 - `output`：模型预测输出（如分类中的logits或回归中的预测值）。 - `y`：真实标签或目标值。 - **具体计算示例**： - **交叉熵损失**： ```python # PyTorch示例 import torch import torch.nn as nn criterion = nn.CrossEntropyLoss() output = torch.tensor([[2.0, 1.0, 0.1]]) # 模型输出logits y = torch.tensor([0]) # 真实标签索引 loss_value = criterion(output, y) # 计算：-log(softmax(output)[y]) print(loss_value.item()) # 可能输出0.42或大于1的值 ``` - **均方误差（MSE）**： ```python criterion = nn.MSELoss() output = torch.tensor([3.0]) y = torch.tensor([5.0]) loss_value = criterion(output, y) # 计算：(3-5)^2 = 4.0 ``` - **关键因素**： - 损失函数类型（如交叉熵、MSE、Huber损失）。 - 输入数据的分布和规模（如归一化数据可能使损失值较小）。 - 批次大小：损失值通常是批次内样本的平均（或总和）。 总之，`loss_value` 不是错误率（错误率是1-准确率），而是优化模型的数值指标，其范围由任务和损失函数决定。
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

LIQING LIN

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值