eine Handelsstrategie auf der Grundlage der Elliott-Wellen-Theorie - Seite 281
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Verstehen Sie es nicht als Anweisung, sondern als Klarstellung.
Viel Glück und viel Erfolg mit dem Trend!
Ich wollte damit sagen, dass das Morlet-Wavelet kein Wavelet im eigentlichen Sinne ist, da der Mittelwert dieser Funktion von Null verschieden ist, aber ich war mit seinen Eigenschaften zufrieden. Wie ich schon schrieb, werde ich Ihnen vielleicht mehr darüber erzählen (moralisch noch nicht bereit). Die moralische Seite ist sehr einfach: Wie soll man sich zu einer solchen Vorhersage verhalten? (Uhr, eurusd) Ist das richtig oder nicht?
Wenn ich verstanden habe, dass das Quatsch ist, werde ich Ihnen die Einzelheiten mitteilen. Wenn ich verstehe, dass es eine Perspektive gibt, werde ich es Ihnen sagen, aber nicht alles. In gewisser Weise nehme ich mir ein Beispiel an Candid. :о))))
Ich habe die Datenfilterung schon vor langer Zeit aufgegeben, einschließlich der Wavelet-Filterung (für Solandr sei angemerkt, dass es kein technisches Problem mit der Echtzeitfilterung als solcher gibt, sondern ein Problem mit dem Handel :o). Um wenigstens etwas Nutzen aus diesem Chaos zu ziehen, muss ich eine adaptive Filterung aufbauen, und das ist, zumindest für mich, das Problem.
Genau aus den von Neutron beschriebenen Gründen habe ich mich auf Dinge mit prädiktiven Eigenschaften konzentriert, einschließlich Hurst, und habe begonnen, nach einer etwas anderen Verwendung für Wavelets zu suchen (überhaupt nicht für Filter), worüber ich kurz geschrieben habe.
PS: ein separater Dank für den folgenden Trend. :о)))
zu Neutron
Um den Autor von http://monetarism.ru/article.pl?sid=05/03/13/0625201&mode=flat zu zitieren , stelle ich fest, dass das Folio tatsächlich ausgezeichnet ist! Ich habe 2 Bände dieses Werkes im DjVu-Format, jeweils 4 Meter, wenn die Öffentlichkeit daran interessiert ist - ich kann sie auslegen.
Sicher, ich bin bereit, es herunterzuladen. :о))))
Außerdem interessierte mich, wie man Wavelets prinzipiell anwendet, nicht wie man sie auf Devisen anwendet. Ich habe einen Forschungsgegenstand und habe ein Werkzeug gewählt. Ich weiß nur nicht, wie ich es benutzen soll. :-))
Und was ist dieses Werkzeug, wenn nicht ein Geschäftsgeheimnis? Übrigens empfehle ich, auf die Skelette zu achten, sie sind nützlich, zumindest berechne ich meine Koeffizienten auf ihrer Grundlage.
WAVELETS !!! :-)))
[quote]Und...?
Mit Blick auf dieses Bild können wir von einer besonderen Methode der Interpolation einer nicht äquidistanten numerischen Reihe (die mit der einen oder anderen Methode aus der EUR/USD-Zeitreihe gewonnen wurde) durch lineare oder quadratische Polynome sprechen.
[quote]
Ich verstehe nicht, warum Sie denken, dass die Serie nicht-äquidistant ist? Die Zeitskala ist einheitlich. Fast... Oder beziehen Sie sich auf die Wochenenden?
Es ist zu beachten, dass TC, das mit LPI implementiert wird, auf dem heutigen Markt keinen statistischen Vorteil gegenüber DC bietet.
Ich stimme Ihnen im ersten Satz vollkommen zu. Wir brauchen in der Tat eine Extrapolation und nur eine Extrapolation, aber das ist nicht leicht zu erreichen! Wenn es einfach wäre, gäbe es kein Problem!
Was die Wavelet-Methoden betrifft, so halte ich sie nicht für ein Allheilmittel oder einen neuen Gral. Nicht im Geringsten! Und ich möchte niemanden ermutigen, sich ohne einen Blick zurück in diese Richtung zu stürzen. Für mich ist es einfach ein verständliches, bequemes und zugängliches Instrument zur Marktanalyse. So wie statistische Methoden für Sie wahrscheinlich auch. Alles in allem ist es eine Frage der persönlichen Vorliebe. Noch eine Sache. Ich bin mir des Wertes und der Gültigkeit statistischer Methoden voll bewusst und werde sie auf jeden Fall bei der Entwicklung meines TS einsetzen, zum Beispiel... Zum Beispiel zur Erkennung von Marktarbitrageperioden. Vielen Dank für die interessanten Beiträge zu diesem Thema!
Kehren wir zu den Wavelet-Methoden zurück - im Grunde handelt es sich um dieselben Filter oder vielmehr um eine Reihe von Teilbandfiltern, die auf eine bestimmte Weise organisiert sind. Natürlich wird es eine Phasenverzögerung geben. Natürlich wird es eine Phasenverzögerung geben. Leider gibt es in der Natur keinen perfekten Filter (aufgrund des Kausalitätsprinzips) - es gibt gute und schlechte Filter. Die Phasenverzögerung des Filters entspricht der halben Länge des Filterkerns. (Ich habe hier ein wenig gezögert... Nun, vielleicht nicht gleich, aber sicher proportional) Das bedeutet, dass ein kurzer, einfacher Filter in diesem Sinne einen Vorteil hat. Die Kernelgröße der Wavelet-Filter beginnt bei 2 (Haar-Wavelet). Die von mir verwendeten sind 5 und 8. Bieten Wavelets in diesem Sinne einen Vorteil? Ich weiß es noch nicht. Ich muss spezifische Implementierungen vergleichen. Was den perfekten Filter angeht... - Es gibt keine derartigen Filter, und der Butterworth-Filter beispielsweise trägt diesen Titel sicher nicht. Ich habe es vor langer Zeit benutzt. Ich kann mich jetzt nicht mehr an die Kerngröße erinnern, aber sie ist definitiv größer als 2. Vergleichen Sie es mit einem Wavelet-Filter.
Es gibt auch eine andere Art der Wavelet-Zerlegung, die ich noch nicht erwähnt habe, nämlich die Intervall-Wavelets und den Lifting-Algorithmus. Sie ist insofern bemerkenswert, als sie keine Annahmen über das Verhalten der Funktion außerhalb des Zerlegungsintervalls erfordert. Ich habe es noch nicht ausprobiert. Vielleicht können wir hier minimale "Phasenverzögerungen" erreichen. Obwohl der Begriff "Phasenverzögerung" an sich für diese Sache nicht sehr zutreffend ist.
10% pro Monat ist es mit Spreads und auf 2 Monate Geschichte, d.h. die Stichprobe ist nicht zuverlässig. Um Statistiken zu erhalten, wird ein echtes Konto eröffnet.
Vielen Dank für die Antwort.
Viel Glück und viel Erfolg mit den Trends!
И, кроме того, меня интересовало как применять вейвлеты в принципе, а не как применять их для работы на форексе. Объект для исследования у меня есть и инструмент я выбрал. Вот только не знаю как им пользоваться. :-))
А что за инструмент, если не коммерческая тайна? Кстати, рекомендую обратить внимание на скелетоны, полезная штука, по крайне мере свои коэффициенты я вычисляю на их основе.
WAVELETS !!! :-)))
Ich habe nur das Wort "INSTRUMENT" nicht ganz richtig verstanden. :о)
Kennen Sie einen Indikator, der zuverlässig vor einer zukünftigen Kursbewegung in die richtige Richtung abbiegt? Dann ist es der Gral!
Nein, das tue ich nicht. Ein solcher Indikator kann nicht einmal theoretisch existieren. Da wir jedoch über die Verwendung von Wavelets sprechen, möchte ich nur anmerken, dass sie anscheinend keine wesentlichen Vorteile gegenüber anderen Darstellungsmethoden bieten. Und es ist unwahrscheinlich, dass sich eine Strategie allein auf Wavelets stützen kann.
А что Вы знаете индикатор, который достоверно загибается в правильную сторону раньше будущего хода цены? Тогда это Грааль!
Nein, das tue ich nicht. Ein solcher Indikator kann nicht einmal theoretisch existieren. Da wir aber über die Verwendung von Wavelets sprechen, möchte ich nur anmerken, dass sie anscheinend keine wesentlichen Vorteile gegenüber anderen Methoden der Informationsdarstellung bieten. Und es ist unwahrscheinlich, dass sich eine Strategie allein auf Wavelets stützen kann.
Sie haben völlig Recht, dass Wavelets allein nicht ausreichen, um einen TS zu erstellen. Ich werde es nicht auf diese Weise tun. Ich bin jedoch sicher, dass sie als Marktanalyseinstrument sehr nützlich sein werden. Es ist nur so, dass bisher, so scheint es mir, niemand dieses Thema ernsthaft in Angriff genommen hat, also bieten sie nichts. Bis jetzt... Welchen Anteil die Wavelets an dem TS haben werden, den ich gerade entwerfe, weiß ich noch nicht. 70 oder 10 % - was macht das für einen Unterschied - Hauptsache, es ist nützlich für den Gewinn.
Was die Vorteile der Darstellung von Marktinformationen betrifft, so stimme ich Ihnen nicht zu. Sie tun es. Sie verwenden beim Handel mehrere Kurscharts auf verschiedenen Zeitrahmen.
Das heißt, vielleicht unwissentlich, aber Sie führen eine Multiskalenanalyse durch. Und das Wesentliche an Wavelets liegt nicht in den Details der Implementierung und der Algorithmen, sondern gerade in ihrer Multiskalität. Und hinter dieser Tatsache verbirgt sich, das versichere ich Ihnen, eine starke philosophische Idee. Wenn Wavelets mit großem Erfolg bei der Entwicklung von Flugzeugtriebwerken, der Verarbeitung von astronomischen Fotos, in der medizinischen Diagnostik - ich kenne diese Beispiele sehr gut - und unzähligen anderen Bereichen eingesetzt werden, warum sollten sie dann auf dem Markt versagen? Ich sehe das anders.
Hochachtungsvoll.
Viel Glück und viel Spaß mit den Trends!
Das ist es, was ich besonders interessant finde. Aber bisher haben Sie noch nicht viel dazu gesagt. Ich hoffe sehr, dass es sich nur um eine vorübergehende Maßnahme handelt und dass sie fortgesetzt wird. :-)
Sie haben erwähnt, dass Sie eine Menge verschiedener Informationen über Wavelets gesammelt haben. Könnten Sie hier bitte etwas zu Ihrer Diskretion posten? Polikars "Einführung in die Wavelet-Transformation", Dobeshis "10 Vorlesungen über Wavelets", Vorobiev-Gribunins "Theorie und Praxis der Wavelet-Transformation" und einige andere kleinere Werke, die ich habe. Ich lese langsam, Dobeshi.
Das Problem ist, dass es zu viel Theorie gibt, die ich zwar auf meinem elementaren Niveau verstehe, aber praktisch nichts tun kann. Deshalb brauche ich etwas mehr oder weniger Einfaches und Aufgabenorientiertes, mit dem ich Schemata und Algorithmen konkreter Handlungen verstehen kann.
Es ist wünschenswert, dass es sich nicht um DSP handelt. Ich habe nichts gegen DSP und verstehe sehr wohl, dass jede Zeitreihe, einschließlich Kursreihen, ein Signal ist und mit DSP-Methoden untersucht werden kann. Ich bin jedoch sehr weit von diesem Gebiet entfernt und versinke in der Terminologie, dem Jargon und den Begriffen, die von Fachleuten akzeptiert werden.
Ich habe mich auf die Knicke im linearen Polynom konzentriert, sie sind nicht äquidistant. Wahrscheinlich liege ich aber falsch - schließlich kann ein Knoten auf einer Linie liegen, die benachbarte Knoten verbindet.
Es ist klar, dass der BP mit der Verkleinerung des Abtastfensters abnimmt, aber die Glättungseigenschaften des Operators werden schlechter. Wir müssen einen Kompromiss zwischen Glättungsqualität und Verzögerung finden. Deshalb ist es richtig, die Glättungseigenschaften von Betreibern mit identischen oder nahe beieinander liegenden Parametern ihres AFR zu vergleichen (Gleichmäßigkeit im Durchlassbereich, Grenzflanke). In dieser Hinsicht hat das Butterworth-Filter eine minimale (nicht null!) Bandbreite, die bei der Grenzfrequenz deutlich zunimmt. Vor diesem Hintergrund ist es interessant, Wavelet-basierte und klassische Filtermethoden zu vergleichen.
Wenn wir irgendwo etwas extrapolieren wollen, wird es zwangsläufig FZ geben. Setzt man nämlich am rechten Ende der Zeitreihe an und extrapoliert einen Schritt weiter, erhält man den wahrscheinlichen Wert der betreffenden Reihe. Beim nächsten Countdown vergleichen Sie den Wert mit dem wahren Wert und merken sich den daraus resultierenden Fehler. Wiederholen Sie diesen Vorgang ein weiteres Mal, wobei Sie die Aktualisierung der Eingabedaten für den zweiten Punkt berücksichtigen, und so weiter und so fort. Daraus ergeben sich zwei Zeitreihen - die ursprüngliche und die prognostizierte. Offensichtlich stimmen sie nicht genau überein, weichen aber auch nicht stark voneinander ab, sondern sind nur um FZ! gegeneinander verschoben. Daher denke ich, dass der Begriff FZ in diesem Fall angemessen ist.
Und nun, liebe Kollegen, kritisieren Sie mich.
Ich argumentiere, dass jede Extrapolation voraussetzt, dass eine Zeitreihe (TP) die Eigenschaft hat, der gewählten Richtung zu "folgen". Indem wir einen Schritt voraus durch ein Polynom n-ten Grades extrapolieren, nehmen wir für die erste Ableitung die NEED an, die zweite... n-1 der ursprünglichen Serie, zumindest in diesem Schritt... Verstehen Sie, worauf ich hinaus will? Die Quasi-Kontinuität der ersten Ableitung ist nichts anderes als ein positiver Autokorrelationskoeffizient (AC) des BP für den gewählten Zeitrahmen (TF). Es ist bekannt, dass es sinnlos ist, die Extrapolation auf BPs vom Brownschen Typ anzuwenden. Und warum? Denn der CA einer solchen Reihe ist identisch gleich Null! Aber es gibt GRs mit negativer QA... Es ist einfach falsch, sie zu extrapolieren (wenn ich richtig liege) - der Preis wird sich wahrscheinlich in die entgegengesetzte Richtung der vorhergesagten Richtung entwickeln.
Und für den Anfang: Fast alle Forex-VRs haben eine negative Autokorrelationsfunktion (dies ist eine Funktion, die aus der KA für alle möglichen TFs konstruiert wird) - dies ist eine medizinische Tatsache! Die Ausnahmen sind einige Währungsinstrumente auf kleinen Zeitskalen, und ja, Sberbank und EU RAO Aktien auf wöchentlichen TFs. Dies erklärt insbesondere die Untauglichkeit des auf der Ausnutzung gleitender Durchschnitte basierenden TS auf dem modernen Markt - derselbe Versuch der Extrapolation.
Wenn ich mich nicht irre, tauchen Wavelets a priori in dem Bereich auf, in dem sie ihre Funktionen nicht korrekt erfüllen können.
Sie haben erwähnt, dass Sie alle Arten von Informationen über Wavelets gesammelt haben. Könnten Sie hier etwas zu Ihrer Diskretion posten? Polikars "Einführung in die Wavelet-Transformation", Dobeshis "10 Vorlesungen über Wavelets", Vorobiev-Gribunins "Theorie und Praxis der Wavelet-Transformation" und einige andere kleinere Werke, die ich habe. Ich lese langsam, Dobeshi.
Das Problem ist, dass es zu viel Theorie gibt, die ich zwar auf meinem elementaren Niveau verstehe, aber praktisch nichts tun kann. Deshalb brauche ich etwas mehr oder weniger Einfaches und Aufgabenorientiertes, mit dem ich Schemata und Algorithmen konkreter Handlungen verstehen kann.
Es ist wünschenswert, dass es nicht DSP war. Ich habe nichts gegen DSP und verstehe sehr wohl, dass jede Zeitreihe, einschließlich Kursreihen, ein Signal ist und mit DSP-Methoden untersucht werden kann. Ich bin jedoch sehr weit von diesem Gebiet entfernt und versinke wie in einem Sumpf in der Terminologie, dem Jargon und den Begriffen, die von Fachleuten akzeptiert werden.
Es wird eine Fortsetzung geben. Ich bereite es vor. Wie immer: Zeitmangel. Vielleicht poste ich es heute.
Über die Informationen. Wie bereits gesagt, gibt es mehrere pdf-Dateien mit Übersichtsartikeln. Einige von ihnen scheinen Gribunins Übersetzungen zu sein und sind ziemlich berühmt. Sie haben wahrscheinlich welche. Die anderen sind ernster.
Es wäre bequemer, wenn ich sie Ihnen per E-Mail zusenden würde. Meine Adresse lautet andre69 [at] land [dot] ru.
Ich habe die Informationen über den Hebealgorithmus nur auf Englisch. Die Originalartikel der Autoren der Methode und ihrer Nachfolger. Wenn Sie nicht verwirrt sind, kann ich etwas aufheben.
Über Dobeshi. Du bist ein Riese! Ich hatte nur für die Hälfte des Buches Geduld. Die Mathematik ist natürlich gut, aber sie ist weit von der Praxis entfernt. Sie sollten nur globale Ideen von dort übernehmen.
Bemerkung zu DSP. DSP und Wavelets sind sehr eng miteinander verbunden. Leider oder zum Glück weiß ich das nicht.
Herzliche Grüße.
Viel Glück!
Das hat sicherlich etwas mit gesundem Menschenverstand zu tun. Aber es gibt auch ein "aber".
Wenn die Extrapolation die Eigenschaft der Monotonie hat, ist ihr Wert tatsächlich sehr niedrig. Die MA kann nur eine solche Extrapolation liefern, weshalb sie für diesen Zweck nicht verwendet wird.
Nimmt man jedoch etwas Komplizierteres, z. B. ein Polynom vom Grad 2, so ist das nicht ganz so.
Ich möchte klarstellen, dass es sich um eine Extrapolation in die nähere Zukunft handelt.
Mit einer einfachen quadratischen Funktion (unter der Voraussetzung, dass die Zahlenreihe dies von Natur aus zulässt) kann man also die Annäherung an den Wendepunkt vorhersagen. Und das ist genau das, was jeder braucht. Insbesondere Polynome höherer Potenzen. Die Extrapolation behält also fast immer die Richtung bei. Aber das ändert fast das ganze Bild.
Und was die CA betrifft, so ist sie, wie richtig bemerkt, von der gewählten TF abhängig. Dies spiegelt die Tatsache wider, dass die untersuchte Reihe auf die eine oder andere Weise stückweise monoton ist. Was macht es für einen Unterschied, ob man eine TF wählt, für die man mit KA einige Entscheidungen treffen kann, oder ob man eine Interpolationsmethode wählt, die eine relativ zuverlässige Extrapolation in die nahe Zukunft ermöglicht?