eine Handelsstrategie auf der Grundlage der Elliott-Wellen-Theorie - Seite 227

 
Vielleicht können Sie mir unter uns Hausfrauen sagen, was es ist? <br / translate="no"> Es muss nicht um den Markov-Prozess gehen, man kann auch einfach über Markov-Ketten sprechen.
Sie können sogar über Ketten sprechen.


Er ist ziemlich lang, und ich bin nicht gut darin, ihn schön zu erzählen. Über Markov-Ketten, Ketten und Prozesse, die diese Ketten beschreiben, habe ich in dem von Maximov herausgegebenen Buch "Probabilistic Parts of Mathematics", "Course of Probability Theory" von Gnedenko gelesen. Ich kann von mir nicht behaupten, dass ich ein Guru auf diesem Gebiet geworden bin. Vielmehr erinnere ich mich an einen Hund, der alles versteht, aber nichts sagen kann. :о)

Ich mag auch nicht wirklich die Erklärung einer Hausfrau, "was es ist". Nehmen wir zum Beispiel eine Definition aus Wikipedia (ganz für Hausfrauen :o):


Eine Markov-Kette (CM) ist eine Folge von Zufallsereignissen mit einer endlichen oder abzählbar unendlichen Anzahl von Ergebnissen, die durch die Eigenschaft gekennzeichnet ist, dass zu einem bestimmten Zeitpunkt die Zukunft unabhängig von der Vergangenheit ist. Sie ist nach A. A. Markov (Senior) benannt.


Das scheint richtig zu sein, aber der genauere Wortlaut ist etwas anders:


Eine Folge von Versuchen bildet einen CM, wenn die bedingte Wahrscheinlichkeit in s+1 Versuchen (s=1,2,3,,,,) eines Ereignisses A(i)[s+1] i=1,2,...k nur davon abhängt, welches Ereignis im s-ten Versuch eingetreten ist und sich nicht von der additiven Information, welche Ereignisse in früheren Versuchen eingetreten sind, ändert.


Aus diesem Grund werden Prozesse, die durch solche Ketten beschrieben werden können, als Prozesse mit kurzem Gedächtnis bezeichnet. Eine weitere Definition, die auf dem Begriff des Systemzustands basiert, wird ebenfalls eingeführt.

Yuri, hab Mitleid mit mir. Ich möchte Definitionen und Schlussfolgerungen überhaupt nicht umschreiben. Der CM ist nicht meine Erfindung, und ich habe noch nicht den entsprechenden Grad an Inkompetenz erreicht, um alles in meinen eigenen Worten nachzuerzählen. Dann kennen Sie vielleicht keine Markov-Ketten :o).

Wenn Sie in kompetenten Quellen lesen (im Gegensatz zu meiner Erzählung), dann werden meine "Praktiken" vielleicht nützlich sein:

(1) Ich habe einen Kanal als Zustand des Systems und nicht als spezifische Preiswerte oder als Differenz zwischen Preisen gewählt
(2) Ich habe die Wahrscheinlichkeiten einiger Kanalmerkmale genommen, um eine Übergangswahrscheinlichkeitsmatrix zu erstellen.
(3) Ich habe einen Kanalwechsel als einen Schritt in der Matrix betrachtet
(4) Ich habe "intuitiv" den Prozess der Geburt und des Todes als Prozess gewählt; wir können den Prozess des Anstehens nicht für unsere Zwecke verwenden, oder?

Und ich habe bereits die Ergebnisse seiner Anwendung demonstriert. :о)
 
Wir werden die Klasse der stationären Zeitreihen betrachten. Unser Problem reduziert sich auf die Wahl eines Modells, das geeignet ist, das Verhalten der "zufälligen" Residuen X[j] der untersuchten Zeitreihe Y[j] zu beschreiben, die nach der Eliminierung ihrer nicht zufälligen Komponente (falls vorhanden) aus der ursprünglichen Zeitreihe erhalten werden. Da wir hier das Verhalten von zufälligen Residuen beschreiben, bezeichnen wir die simulierte Zeitreihe mit X[j] und nehmen an, dass ihr mathematischer Erwartungswert für alle j gleich Null ist. Andernfalls müssen wir die Originalserie in den Mittelpunkt stellen. Die Zentrierung und Residualisierung kann für die für den Devisenmarkt charakteristischen Zeitreihen (die nur die stochastischen Trends enthalten) durch Konstruktion der ersten Differenzreihe
X[j]=Y[j]-Y[j-k] erfolgen, wobei k je nach Versuchszweck 1 bis n sein kann.


Autoregressionsmodell der 1. Ordnung AR(1) (Markov-Prozess).

Dieses Modell ist eine einfache Variante des autoregressiven Prozesses von
X[j]=SUM{a[k]*X[j-k]}+sigma[j], wobei die Summierung für alle k=1...unendlich durchgeführt wird,
wenn alle Koeffizienten außer dem ersten gleich Null sind. Dementsprechend kann es durch den Ausdruck
X[j]=a*X[j-1]+sigma[j], (1)
definiert werden, wobei a&#61485;ein numerischer Koeffizient ist, dessen absoluter Wert 1 nicht überschreitet (|a| < 1), und sigma[j] eine Folge von Zufallsvariablen ist, die weißes Rauschen bilden. Somit hängt X[j] von sigma[j] und allen vorangegangenen sigmas ab, ist aber unabhängig von zukünftigen sigma-Werten. Dementsprechend ist sigma[j] in dieser Gleichung unabhängig von X[j-1] und früheren Werten von X. Aus diesem Grund wird sigma[j] als Innovation (Aktualisierung) bezeichnet.
Sequenzen X, die die Beziehung (1) erfüllen, werden oft auch als Markov-Prozesse bezeichnet. Dies bedeutet, dass
1. Der Erwartungswert des Prozesses M ist identisch Null M=0.
2. Der Autokorrelationskoeffizient r zwischen den Gliedern der Reihe im Abstand von k-Schritten ist gleich r=a^k.

Die Hauptmerkmale der Autoregression 1. Ordnung sind wie folgt.

Die Bedingung der Stationarität der Reihe wird durch die Anforderung an den Koeffizienten a bestimmt:
|a|<1
Die Autokorrelationsfunktion des Markov-Prozesses ist durch die folgende Beziehung definiert:
r(t)=a^t ,
d.h. der Wert von a bestimmt den Wert der Korrelation zwischen zwei benachbarten Mitgliedern der Reihe X[j]. Es ist zu erkennen, dass der Grad der engen Korrelation zwischen den Termen der Folge (1) exponentiell abnimmt, je weiter sie zeitlich voneinander entfernt sind.
Die Spektraldichte des Markov-Prozesses (1) kann unter Verwendung der bekannten Form der Autokorrelationsfunktion berechnet werden:
p(w)=2sigma0^2/(2+a^2-2a*cos(2Pi*w))
Wenn der Wert des Parameters a nahe bei 1 liegt, liegen die benachbarten Werte der Reihe X[j] betragsmäßig nahe beieinander, die Autokorrelationsfunktion nimmt exponentiell ab, bleibt aber positiv, und das Spektrum wird von niedrigen Frequenzen dominiert, was einen ausreichend großen durchschnittlichen Abstand zwischen den Spitzenwerten von X[j] bedeutet. Bei einem Wert des Parameters a nahe -1 schwingt die Reihe schnell (hohe Frequenzen überwiegen im Spektrum) und der Graph der Autokorrelationsfunktion fällt exponentiell gegen Null ab, wobei das Vorzeichen wechselt.

Nach der Identifizierung des Modells, d. h. der Bestimmung seiner Parameter (in diesem Fall ist es a)
können wir eine Vorhersage in einem Schritt erstellen:
Y[j+1]=Y[j]+a*X[j].

Das war's.

Jura, jetzt habe ich eine Bitte an dich. Implementieren Sie in Mathcad den in der folgenden Abbildung gezeigten Algorithmus und zeigen Sie die resultierende FAC aus TF für EURUSD-Minutien für ein Jahr.

 
<br / translate="no"> Wenn man in kompetenten Quellen liest (im Gegensatz zu meiner Erzählung), werden meine "Praktiken" vielleicht nützlich sein:

(1) Ich habe den Kanal als den Zustand des Systems und nicht als spezifische Preiswerte oder die Differenz zwischen den Preisen gewählt.
(2) Ich habe die Wahrscheinlichkeiten einiger Kanalmerkmale genommen, um eine Übergangswahrscheinlichkeitsmatrix zu erstellen.
(3) Ich habe einen Kanalwechsel als einen Schritt in der Matrix betrachtet
(4) Ich habe "intuitiv" den Prozess der Geburt und des Todes als Prozess gewählt; wir können den Prozess des Anstehens nicht für unsere Zwecke verwenden, oder?

Und ich habe bereits die Ergebnisse seiner Anwendung demonstriert. :о)


Hier ist alles klar, außer Punkt 2). Wahrscheinlich wird es als eine einfache, banale Sache angesehen, oder vielleicht sogar als Know-how.
Zu Punkt 4) (ich habe Solandr bereits mit dieser Frage belästigt) - wurde der "Prozess der Geburt und des Todes" aufgrund der statistischen Behandlung von Punkt 3) oder aufgrund allgemeiner theoretischer Überlegungen definiert?
 
Yurixx 22.01.07 16:24
Vielleicht können Sie mir unter uns Hausfrauen sagen, was es ist?
Es muss nicht unbedingt ein Markov-Prozess sein, man kann auch einfach von Markov-Ketten sprechen.
Sie können sogar über Ketten sprechen.

Am einfachsten ist es, ein Beispiel zu verwenden.
Der einfachste markovianische Prozess ist eine gewöhnliche Münze.
Auf welche Seite eine Münze fällt, ist unabhängig vom vorherigen Zustand.
Man sagt, dass ein Prozess wie eine Münze die Eigenschaft hat, markovianisch zu sein,
das heißt, sie hat keine Erinnerung an die Vergangenheit. Eine Reihe von Münzwürfen würde heißen
eine Markov-Kette. Genauer gesagt, nicht die Würfe selbst, sondern die Wahrscheinlichkeiten.
Es gibt noch kompliziertere Markov-Prozesse, es gibt viele verschiedene.
Markov-Prozesse. Es gibt einige, die sich an den vorherigen Zustand "erinnern", aber
aber ich erinnere mich nicht mehr an die bereits vorhandene usw...
Nun, im Allgemeinen ist dies eine einfache Geschichte.
Die Mathematik dort ist an einigen Stellen ziemlich verwirrend und nicht offensichtlich, und die Formeln sind riesig.
 
Yurixx 22.01.07 16:24
Ну может между нами, домохозяйками, раскажете мне что это такое ?
Необязательно про МАРКОВСКИЙ ПРОЦЕСС, можно просто про марковские цепи.
Можно даже про цепочки.

Am einfachsten ist es, ein Beispiel zu verwenden.
Der einfachste Markov-Prozess ist eine gewöhnliche Münze.
Wie eine Münze herausfällt, ist unabhängig vom vorherigen Zustand.
Man sagt, dass ein Prozess wie eine Münze die Eigenschaft hat, markovianisch zu sein,
Das heißt, sie erinnert sich nicht an die Vergangenheit.


Soweit ich mich an die Definition eines Markov-Prozesses aus dem vorherigen Beitrag erinnere (A(i)[s+1] hängt nur von A[s] ab) Das Werfen einer Münze kann kein Markov-Prozess sein, da die Wahrscheinlichkeit, dass der Adler bei jedem Wurf fällt, nicht von einem früheren Versuch abhängt.
 
Zu Neutron

<br / translate="no"> Unsere Aufgabe ist es, ein Modell zu wählen, das geeignet ist, das Verhalten der "zufälligen" Residuen X[j] der untersuchten Zeitreihe Y[j] zu beschreiben, die man erhält, nachdem man aus der ursprünglichen Zeitreihe ihre nicht zufällige Komponente (falls vorhanden) eliminiert hat.


Sergey, ich hoffe auf Ihre Geduld. Erklären Sie mir (es ist gut möglich, dass ich etwas übersehen habe), warum wir ein Modell brauchen, um zufällige Residuen zu beschreiben, und was "Eliminierung" ist. Und es scheint mir, dass die "Beseitigung" zufälliger Residuen von Natur aus zufällig ist. Was für ein Abschluss. :о)

An Rosh


hier ist alles klar, außer Punkt 2). Es kann sich um eine einfache, triviale Sache handeln, aber auch um ein Know-how.


Hier ist es ganz einfach. Ich musste den Zustand des Systems irgendwie definieren, um Vorhersagen treffen zu können. Ich habe lange Zeit mit recht verständlichen Parametern herumgespielt: Skoe, Länge des Kanals, Neigungswinkel der LR-Linie. Im Laufe des Experiments kam ich jedoch zu dem Schluss, dass einige Kanalparameter bessere Ergebnisse lieferten.

Und diese Merkmale habe ich aus dem Folgenden abgeleitet:


Zu Punkt 4) (ich habe Solandr bereits mit dieser Frage belästigt) - wurde der "Prozess der Geburt und des Todes" aufgrund der statistischen Verarbeitung von Punkt 3) oder aufgrund allgemeiner theoretischer Überlegungen definiert?


OK, ich will ehrlich zu Ihnen sein. Mein erster Gedanke war dieser. Erfassen Sie den Verlauf, finden Sie Kanäle, berechnen Sie Statistiken. Ich habe diesen Ansatz schließlich aufgegeben. Wie ich bereits geschrieben habe, habe ich meine Methode "evolutionäre fraktale Wellenanalyse" genannt (nun, ich habe sie benannt und ich mag sie). Es basiert auf "evolutionär" - überarbeitet "unter den Kanälen" von MSP. Deshalb habe ich die Dynamik einiger Merkmale von Kanälen untersucht. Der Kanal hingegen ist nicht auf meine übliche Weise definiert. Hier in diesem Beitrag "grasn 18.01.07 16:11" gibt es ein Bild, das die Stärke der Verbindung zwischen den Proben zeigt. Der Kanal reicht vom aktuellen Bezugspunkt bis zum schwächsten Wert dieser Verbindung. Wenn Sie eine schwache Zählung gefunden haben, bedeutet dies, dass Sie den Ursprung des Kanals gefunden haben. Ich bewege den "Cursor" zu diesem Punkt und beginne, wie North Wind sagt, die Qualität des Prozesses zu überwachen.

Die Dynamik einiger Merkmale innerhalb des Kanals ist der Prozess der Geburt und des Todes des Kanals (zumindest ist es in meinem Fall so).
 
Vor langer Zeit, vor vielen Seiten, diskutierte ich mit dem Gründer dieses Threads über die Elliott-Theorie, und er weigerte sich, ihre Essenz auf den Punkt zu bringen, und verwies auf die Dicke der Bücher.

Dank Neutron, grasn und Northwind ist nun klar ersichtlich, wie es gemacht wird.

Obwohl mein Alter es mir nicht mehr erlaubt, die Schule zu besuchen, bin ich sehr dankbar für deinen Wunsch, mir etwas Weisheit beizubringen, und die Lektion, die du mir erteilt hast, Sergei, werde ich gewiss tun.

Ich verspreche und gelobe feierlich. :-)
 
Rosh 22.01.07 19:33
Soweit ich mich an die Definition eines Markov-Prozesses aus dem vorherigen Beitrag erinnere (A(i)[s+1] hängt nur von A[s] ab) Das Werfen einer Münze kann kein Markov-Prozess sein, da die Wahrscheinlichkeit, dass der Adler bei jedem Wurf fällt, nicht von einem früheren Versuch abhängt.

Ich würde diesen Punkt gerne ausführlicher erörtern, aber leider gibt es absolut keine
Zeit. Ich will nur sagen, dass Frau Wentzel E.S. in ihrem Lehrbuch sagt
das gleiche, die Münze ist ein Markov-Prozess, es gibt sogar einen Beweis.
Übrigens hat sie einen Markov-Prozess (einen Prozess ohne Konsequenzen) - wenn für jeden Moment
die Wahrscheinlichkeit, dass ein beliebiger Zustand des Systems in der Zukunft eintritt, hängt nur von dem Zustand
des Systems zum gegenwärtigen Zeitpunkt und hängt nicht davon ab, wie das System zu
diesen Zustand.
 
Rosh 22.01.07 19:33
Насколько я помню определение марковского процесса из предыдущего поста (A(i)[s+1] зависит только от A[s]) , подкидывание монетки не может являться марковским процессом, так как вероятность выпадения орла при каждом подбрасывании не зависит ни от одного предыдущего испытания.

Ich würde diesen Punkt gerne ausführlicher erörtern, aber leider gibt es absolut keine
Zeit. Ich will nur sagen, dass Frau Wentzel E.S. in ihrem Lehrbuch sagt
das gleiche, die Münze ist ein Markov-Prozess, es gibt sogar einen Beweis.
Übrigens hat sie einen Markov-Prozess (einen Prozess ohne Konsequenzen) - wenn für jeden Moment
die Wahrscheinlichkeit, dass ein beliebiger Zustand des Systems in der Zukunft eintritt, hängt nur von dem Zustand
des Systems zum gegenwärtigen Zeitpunkt und hängt nicht davon ab, wie das System zu
diesen Zustand.


Ja, wo es Frauen gibt, gibt es immer Verwirrung. Nur ein Scherz. :о) Es handelt sich um ein einfaches Beispiel aus einem von Maximov herausgegebenen Lehrbuch: Ein Spieler spielt ein Spiel, das aus Parteien besteht. Die Wahrscheinlichkeit, das nächste Spiel zu gewinnen, ist gleich p, wenn das vorherige Spiel gewonnen wurde, und p1, wenn das vorherige Spiel verloren wurde. Zustand E1 - das nächste Spiel ist gewonnen, E2 - das Spiel ist verloren.

Das Durchwandern der Zustände E1 und E2 wird durch eine Übergangswahrscheinlichkeitsmatrix beschrieben:
|(p) (1-p)|
|(p1) (1-p1)|
 
Na bitte, noch eine Sache :) Sie können sogar begründen, warum das Gewinnen nach einer Niederlage eine andere Wahrscheinlichkeit hat als das Gewinnen nach einem Sieg.
"Männer weinen nicht, Männer regen sich auf" :)