Zufallsstromtheorie und FOREX - Seite 23
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
Und in Bezug auf die Angemessenheit für jede Zeitreihe ist es möglich, ACF zu bauen, am häufigsten ist es die Grundlage für die Analyse, so früher in diesem Thread gab ich ein Bild von ACF auf dem Modell und ACF von realen Zitaten erhalten, schauen Sie sich das Aussehen sie nicht unterscheiden.
Dieses Bild ist ein Hinweis auf das Problem der Stationarität. Dies sind Zeitdiagramme des ersten ACF-Vorzeichenwechsels von + zu - . Dieses Merkmal wird als einer der besonderen Punkte ausgewählt. Der ACF wird für Y - mu berechnet, für die untere Kurve wird die lineare Regression auf dem wöchentlichen Intervall berechnet, für die obere ungefähr auf dem monatlichen Intervall.
Bitte zeigen Sie diesen Punkt auf dem ACF-Diagramm, es scheint, dass der erste Wendepunkt der Wechsel von - zu + ist (d.h. zuerst geht die Kurve nach unten (-) dann nach oben (+) dieser Punkt ist, wie die Frequenz der Schwingung). Sind die Zahlen in Stunden angegeben? oder wurde der ACF entlang der X-Achse durch die Abtasttiefe vornormiert. Und wenn es nicht schwierig ist, Ihre Schlussfolgerungen. Ich denke, eine offensichtliche Schlussfolgerung ist, dass Oszillationen immer vorhanden sind, denn es gibt einen Wendepunkt, die Frequenz dieser Oszillationen ändert sich, je kleiner der Stichprobenumfang ist, desto schneller ist die Änderungsrate der Frequenz der Oszillationen. Wenn ich diese Diagramme jedoch richtig verstehe
Ich gebe Ihnen ein Bild:
Das heißt, dies ist der "falsche" singuläre Punkt, aber er ist näher dran :), und seine Koordinate ist angeblich monoton mit der Koordinate des "richtigen" Punktes verbunden. Außerdem befindet er sich in einem steileren Abschnitt der ACF, d.h. er ist wahrscheinlich weniger vom Rauschen abhängig - d.h. er eignet sich besser als erstes grobes (d.h. schnelles) Kriterium für die Stationarität, imho.
Die Zahlen sind Zeitangaben in Stunden. Die Normalisierung ist nicht schwer, aber interessant ist, wie lange wir ein stationäres Modell auf den Markt "ziehen" können.
Bisher ist die einzige Schlussfolgerung, dass wir vor der Programmierung eines Kalman-Filters lernen sollten, wie wir Ausgangsdaten mit ausreichend häufigen und ausreichend langen Perioden der Stationarität erhalten. Und hier sind weitere Gedanken. Die Tatsache, dass die Stationarität von der Stichprobenlänge abhängt, kann nur bedeuten, dass die Wahl der Stichprobenlänge eine grundsätzliche Angelegenheit ist und der Erfolg davon abhängt. Oder, allgemeiner formuliert, auf die Art und Weise, wie die Daten aufbereitet werden.
Wenn wir mit Sicherheit als Modell ein System von linearen Differentialgleichungen (LDEs) wählen, dann scheinen wir durch die Struktur von ACF in der Lage zu sein, über die Menge der LDEs zu urteilen, die für eine mehr oder weniger adäquate Beschreibung benötigt werden. Die Auswahl der Koeffizienten (und der Versuch, ihre Abweichung zu beschreiben) ist eine Frage der Technik. Nachdem wir jedoch eine Weile das Verhalten von ACF im Zeitverlauf (im Visualisierer) betrachtet haben, beginnen wir zu verstehen, dass die Anzahl der DTs im Modell variabel sein muss. Oder aber die Modelle müssen im laufenden Betrieb geändert werden.
Übrigens wurde dieses Fragment für das Bild ausgewählt, weil es sowohl eine gut definierte Stationaritätskurve (was ziemlich selten ist) als auch (offensichtlich) eine Katastrophe (Spalte) enthält.
P.S. Zwei Katastrophen sind genauer - es gibt zwei Sprünge.
Danke, ich habe alles verstanden, und alle Gedanken (Ideen) scheinen zu konvergieren.
Ausgehend von meiner Analyse und Ihrem Bild des ACF kann er durch den folgenden Ausdruck angenähert werden (S. 184-185. Tichonow V.I. Datei im Anhang)
Ich habe es geschafft, ein Problem mit ACF zu lösen, um Parameter (Omega, Alpha und N) aus ihm zu ziehen.
Ich hänge die Datei an, nur in Matcad, ich weiß nicht mehr, ob Sie sie haben. Wenn nicht, werde ich die Formeln hier mit den nötigen Erklärungen veröffentlichen.
Meine Gedanken zur Forschung.
Es scheint falsch zu sein, bei stündlichen Balken nach Stationarität zu suchen, da es sich um eine nichtlineare Transformation des Eingabestroms handelt (ich betrachte den Tickstream als Eingabe). Wenn wir Balken nehmen (um das Volumen der analysierten Informationen zu reduzieren), dann sollte der Eingangsfluss in Balken nicht nach Zeit, sondern nach der Anzahl der Ticks in einem Balken unterteilt werden (Volume=const) IMHO. Bislang habe ich mich für das Protokoll als das kleinere Übel entschieden. Höhere Zeitrahmen ziehe ich nicht in Betracht, denn je größer der Zeitrahmen ist, desto größer ist die eingeführte Nichtlinearität. Wenn ich eine Woche brauche, stelle ich einfach die Länge der analysierten Stichproben ein und wähle 7200.
Achten Sie darauf, das gleiche Schema zu befolgen, wenn Y (Close[i]-Close[i+1])/(time[i]-time[i+1]) Geschwindigkeit ist, bei Minuten können Sie die Division weglassen. Mathemat'ik nennt es, aber ich ziehe es vor, es Geschwindigkeit zu nennen.
Natürlich auch, aber für die Beschleunigung (zweite Ableitung).
Erst dann können wir, wie Sie richtig sagten, über die Höhe des DU entscheiden. Nur haben diese Modelle auch Parameter, und wenn sie linear bleiben sollen (Kalman-Filterung), dann ist für jeden Parameterwert (z. B. Omega) ein anderer Filter erforderlich. Ich habe schon früher geschrieben, dass wir für die Lösung dieses Problems im Kopf (um die optimale Lösung "für alle Fälle" zu finden) 10-20 - im Grenzfall unendlich viele Filter benötigen. Um davon wegzukommen, denke ich, in der Zukunft, um die unbekannten Parameter (Omega, Alpha) in das Kontrollsystem zu bringen, dh wechseln Sie zu einem nicht-linearen Filterung (auf den ersten Blick, sehen Sie Ihre unteren Diagramm gibt es einen Bereich, in dem diese Parameter gehorchen einem linearen Gesetz ist schön). Stratonovich empfiehlt, dies zu tun, und diese Methode hilft oft, solche Probleme mit akzeptabler Genauigkeit für die Praxis zu lösen.
So wie ich den Begriff "akzeptable Genauigkeit für die Praxis" verstehe, reicht es mir, wenn ich es schaffe, 2-3 nichtlineare Filter zu synthetisieren, die 2 Tage pro Woche funktionieren. Wenn das Modell funktioniert, handle ich; wenn nicht, funktioniert das Modell nicht (ich kann nicht vorhersagen), dann handle ich nicht. Dann setze ich das Studium fort und führe ein weiteres Modell ein, das mit dem ersten Modell 2,5 Tage lang zusammenarbeitet und nicht 2 Tage lang, usw.
Candid, bitte gehen Sie etwas genauer auf die "katastrophalen" Punkte ein. Interessiert an dem Zeitpunkt, der früher die Katastrophe oder die Auslösung des "falschen" Punktes "Katastrophenpunkt :-)" ist.
Ich konnte das Problem lösen, dass der ACF die Parameter (Omega, Alpha und N) aus ihm herauszieht.
Danke für die Dateien, ich werde sie mir ansehen. Ich habe allerdings immer noch kein Matcad. Und wie soll man mit kniffligeren ACF, z.B. diesen, kämpfen?
Eigentlich ist es mir peinlich, das zuzugeben, aber es sieht so aus, als ob ich nur ein Phylon im Forum bin :). Ich habe meinen Arbeitsplan, leider ist er seit dem Ende des Sommers praktisch unangetastet :). Im Grunde hat dieser Plan etwas mit der Aufgabe der Bestimmung der optimalen Abtastlänge gemeinsam, dementsprechend kann er im Erfolgsfall auch zum Kalman-Filter werden. Das ist leider Früchte dieses sehr interessanten Themas gehen noch in Schränke, auf Lager :)
Es ist falsch, auf den Stundenbalken nach Stationarität zu suchen.
Achten Sie darauf, dass Sie das gleiche Schema verwenden, wenn Y (Close[i]-Close[i+1])/(time[i]-time[i+1]) ist, bei Minuten kann die Division weggelassen werden. Mathemat'ik nennt es, aber ich ziehe es vor, es Geschwindigkeit zu nennen.
Natürlich auch, aber für die Beschleunigung (zweite Ableitung).
Erst dann können wir, wie Sie richtig sagten, über die Höhe des DU entscheiden. Nur haben diese Modelle auch Parameter, und wenn sie linear bleiben sollen (Kalman-Filterung), dann ist für jeden Parameterwert (z. B. omega) ein anderer Filter erforderlich. Ich habe schon früher geschrieben, dass wir für die Lösung dieses Problems im Kopf (um die optimale Lösung "für alle Fälle" zu finden) 10-20 - im Extremfall unendlich viele Filter benötigen. Um davon wegzukommen, denke ich, in der Zukunft, um die unbekannten Parameter (Omega, Alpha) in der Steuerung zu machen, dh wechseln Sie zu einem nicht-linearen Filterung (auf den ersten Blick, sehen Sie Ihre unteren Diagramm gibt es einen Bereich, wo diese Parameter gehorchen einem linearen Gesetz ist schön). Stratonovich empfiehlt, dies zu tun, und diese Methode hilft oft, solche Probleme mit akzeptabler Genauigkeit für die Praxis zu lösen.
So wie ich den Begriff "akzeptable Genauigkeit für die Praxis" verstehe, reicht es mir, wenn ich es schaffe, 2-3 nichtlineare Filter zu synthetisieren, die 2 Tage pro Woche funktionieren. Wenn das Modell funktioniert, handle ich; wenn nicht, funktioniert das Modell nicht (ich kann nicht vorhersagen), dann handle ich nicht. Dann setze ich das Studium fort und führe ein weiteres Modell ein, das mit dem ersten Modell 2,5 Tage lang zusammenarbeitet und nicht 2 Tage lang, usw.
Candid, bitte gehen Sie etwas genauer auf die "katastrophalen" Punkte ein. Interessiert an dem Zeitpunkt, der früher die Katastrophe oder die Auslösung des "falschen" Punktes "Katastrophenpunkt :-)" ist.
Ich fürchte, es handelt sich nicht um eine Marktkatastrophe, sondern um eine Modellkatastrophe, die direkt mit der festen Stichprobenlänge für die Regression zusammenhängt. Der Effekt des Springens der gleitenden Regressionsparameter ist seit der Entwicklung des Great Parallel Forum Theme (GTPF) bekannt :). Obwohl sie natürlich letztlich mit den Marktprozessen zusammenhängt. Aber ich gebe trotzdem ein Bild ab. Ich kann Ihnen auch den Indikator schicken.
Aufrichtig
Etwas ausführlicher, mit Pfeilen, wo sich all diese Katastrophen befinden. Ich halte dies für sehr wichtig, denn wenn der Parameter früher ausgelöst wird, ist dies eine Möglichkeit, den Beginn einer Preiskatastrophe vorherzusagen. Wenn dies früher der Fall ist, kann die lange Probe bearbeitet werden. Dies ist das zweite Mal, dass Sie auf ein paralleles Forum verweisen, wenn Sie mir einen Link nennen können. (Vielleicht habe ich etwas übersehen). Man kann nicht alles nachlesen.
Aufrichtig
Etwas ausführlicher, mit Pfeilen, wo sich all diese Katastrophen befinden. Ich halte das für sehr wichtig, denn wenn der Parameter früher ausgelöst wird, kann man die Preiskatastrophe vorhersehen. Wenn ja, dann kann man sich mit der langen Probenahme befassen. Das ist das zweite Mal, dass Sie auf ein paralleles Forum verweisen, wenn Sie mir den Link geben können. (Vielleicht habe ich etwas übersehen). Man kann nicht alles nachlesen.
Ersetzte das Bild in einem früheren Beitrag. Was das WTPF (das große parallele Forum :) betrifft, so ist es ziemlich schwierig, es erneut zu lesen, sowohl wegen seiner Länge als auch weil es extrem verschmutzt ist.
Ich möchte noch etwas zu der Vorhersage hinzufügen. Mir ist auch aufgefallen, dass einer Preisspitze eine doppelte "Katastrophe" vorausgeht, und ich habe mir noch ein paar weitere angeschaut. Dies sind recht seltene Ereignisse, und leider kommt es nicht immer zu einem Preisanstieg nach diesen Ereignissen.
Ich möchte noch etwas zu der Vorhersage hinzufügen. Mir ist auch aufgefallen, dass einer Preisspitze eine doppelte "Katastrophe" vorausgeht, und ich habe mir noch ein paar weitere angeschaut. Dies sind recht seltene Ereignisse, und leider kommt es nicht immer zu einem Preisanstieg nach diesen Ereignissen.
Es sollte auf kleinere Zeitrahmen (im Allgemeinen, in mehr Details) betrachtet werden, die Punkte sind sehr interessant. Und nicht unbedingt ein Doppelsprung des "kniffligen ACF-Punktes". Aus irgendeinem Grund bin ich der Meinung, dass eine einzelne (drastische) Veränderung auch eine Veränderung des Prozesses anzeigt.