Gewinnung eines stationären BP aus einem Preis BP
Mit anderen Worten: Solange sie mit Hilfe der Näherungsfunktionen zerlegt wird, handelt es sich um eine stationäre Reihe, und wenn das weiße Rauschen verschwunden ist, ist der Zyklus zu Ende. Habe ich Sie richtig verstanden?
Die Angleichung ist eine Anpassung. Deshalb schlage ich vor, einen stationären BP nicht durch Annäherung, sondern durch Extrapolation zu erhalten.
Bitte verzeihen Sie mir meine Gedanken. Vielleicht ist mein Verständnis noch nicht auf Ihrem Niveau. Lassen Sie mich einen sehr taktvollen Vorschlag machen.
Glauben Sie, dass der erste Beitrag ein Zirkelschluss ist?
Ein paar Definitionen (in freier Form), damit es keine Debatte über Definitionen gibt:
Auf einer intuitiven Ebene assoziieren wir die Stationarität einer Zeitreihe mit der Anforderung, dass sie einen konstanten Mittelwert hat und um diesen Mittelwert mit einer konstanten Varianz oszilliert.
Eine Reihe x(t) wird streng stationär (oder stationär im engeren Sinne) genannt, wenn die gemeinsame Wahrscheinlichkeitsverteilung von m Beobachtungen x(t1),x(t2),:,x(tm) dieselbe ist wie für m Beobachtungen
Mit anderen Worten: Die Eigenschaften einer streng stationären Zeitreihe ändern sich nicht, wenn sich der Ursprung ändert.
Insbesondere impliziert die Annahme der strengen Stationarität der Zeitreihe x(t), dass das Wahrscheinlichkeitsverteilungsgesetz der Zufallsvariablen x(t) nicht von t abhängt, so dass alle ihre grundlegenden numerischen Merkmale, einschließlich
Mathematischer Erwartungswert Mx(t)=a
Streuung Dx(t)=M(x(t)-a)2= c^2
Eine Reihe x(t) wird als schwach stationär (oder stationär im weiteren Sinne) bezeichnet, wenn ihr Mittelwert und ihre Varianz unabhängig von t sind.
Offensichtlich sind alle streng stationären (oder stationären im engeren Sinne) Zeitreihen auch stationär im weiteren Sinne, aber nicht umgekehrt.
Eine nichtstationäre Reihe ist eine Reihe, die sich von einer stationären Reihe durch eine nicht zufällige Komponente unterscheidet.
Glauben Sie, dass es sich bei dem ersten Beitrag um einen Zirkelschluss handelt?
Nein.
1. Wir approximieren zunächst die Preisreihen. Wir erhalten die Formel für die Annäherung an den Preis BP: price_appr(time)
2. Preis_appr(Zeit + i) extrapolieren
3. Get synthetic delta(time + i) = Open[time + i] - price_appr(time + i)
4. Prüfen Sie delta(x) auf weißes Rauschen. Wenn es laut ist, ist das ein Ärgernis. Wenn es keine Geräusche macht, fahren Sie fort.
5. Approximieren Sie die synthetische und erhalten Sie die Formel: delta_appr(time)
6. Prognose: Prognose(Zeit + i + j) = price_appr(Zeit + i + j) + delta_appr(Zeit + i + j)
wobei: i und j OOS aus vorherigen Schritten sind. time, i und j sind sich nicht überschneidende Zeitmengen
Klingt verlockend, aber.
Wir können nur das Extrapolationsintervall auf Rauschen überprüfen.
Das bedeutet, dass wir für jeden Schritt im Voraus einen Spielraum in Form eines Intervalls schaffen müssen, in dem wir auf Rauschen prüfen.
Macht das nicht die ganze Idee zunichte?
Ja, übrigens, wie lang muss eine Reihe sein, um zuverlässig genug feststellen zu können, dass sie laut ist (nicht laut)?
Die Stationarität der Residuen bedeutet, dass das Extrapolationsmodell angemessen ist. Die Residuen müssen normalverteilt sein und MO=0 haben, keine Autokorrelation usw. Im Allgemeinen sollten sie unabhängig sein.
"
......
Ein qualitatives Modell muss jedoch nicht nur eine hinreichend genaue Vorhersage liefern, sondern auch wirtschaftlich sein und unabhängige Residuen haben, die nur Rauschen ohne systematische Komponenten enthalten (insbesondere darf die ACF der Residuen keine Periodizität aufweisen). Daher ist eine umfassende Analyse der Residuen erforderlich. Eine gute Überprüfung des Modells ist: (a) grafische Darstellung der Residuen und Untersuchung ihrer Trends, (b) Überprüfung der ACF der Residuen (die ACF-Grafik zeigt in der Regel deutlich die Periodizität).
Analyse der Residuen. Wenn die Residuen systematisch verteilt sind (z. B. negativ im ersten Teil der Reihe und annähernd Null im zweiten Teil) oder eine periodische Komponente enthalten, deutet dies auf die Unzulänglichkeit des Modells hin. Die Analyse der Residuen ist in der Zeitreihenanalyse äußerst wichtig und notwendig. Das Schätzverfahren setzt voraus, dass die Residuen unkorreliert und normalverteilt sind. "
Die Stationarität der Residuen bedeutet, dass das Extrapolationsmodell angemessen ist. Die Residuen sollten normalverteilt sein und MO=0 haben, keine Autokorrelationen enthalten usw. Im Allgemeinen sollten sie unabhängig sein.
"
......
Ein qualitatives Modell muss jedoch nicht nur eine hinreichend genaue Vorhersage liefern, sondern auch wirtschaftlich sein und unabhängige Residuen haben, die nur Rauschen ohne systematische Komponenten enthalten (insbesondere darf die ACF der Residuen keine Periodizität aufweisen). Daher ist eine umfassende Analyse der Residuen erforderlich. Eine gute Überprüfung des Modells ist: (a) grafische Darstellung der Residuen und Untersuchung ihrer Trends, (b) Überprüfung der ACF der Residuen (die ACF-Grafik zeigt in der Regel deutlich die Periodizität).
Analyse der Residuen. Wenn die Residuen systematisch verteilt sind (z. B. negativ im ersten Teil der Reihe und annähernd Null im zweiten Teil) oder eine periodische Komponente enthalten, deutet dies auf die Unzulänglichkeit des Modells hin. Die Analyse der Residuen ist in der Zeitreihenanalyse äußerst wichtig und notwendig. Das Schätzverfahren setzt voraus, dass die Residuen unkorreliert und normalverteilt sind. "
Streber-Getöse. Reicht Ihr eigener Verstand nicht aus, um zu erkennen, dass alles in dem von Ihnen zitierten Link Unsinn ist?
Lesen Sie weiter, und ich zitiere: "Einschränkungen. Es sei daran erinnert, dass das ARPSS-Modell nur für Reihen geeignet ist, die stationär sind(Mittelwert, Varianz und Autokorrelation sind im Zeitverlauf annähernd konstant); bei nicht-stationären Reihen sind Differenzen zu berücksichtigen. Es wird empfohlen, mindestens 50 Beobachtungen in der Rohdatendatei zu haben. Außerdem wird davon ausgegangen, dass die Modellparameter konstant sind, d. h. sich im Laufe der Zeit nicht ändern. "(Ich möchte nicht über die Zahl von 50 Beobachtungen diskutieren, denn selbst einem Dummkopf in diesem Forum ist klar, dass 50 Transaktionen kein Ergebnis sind)
Bei einer nicht-stationären Reihe haben wir die Residuen - delta(x) - genommen. Die Residuen selbst müssen, wie in dieser nerdigen "Arbeit" vorgeschlagen, die Anforderungen erfüllen, Zitat: "die nur Rauschen ohne systematische Komponenten enthalten".
Scheiß drauf. Lasst es laut werden. Der Lärm selbst lässt sich in keiner Weise vorhersagen. Daher ist es sinnlos, sie anzunähern. Aber es hat die Eigenschaft, und ich zitiere: "Die Residuen müssen normalverteilt sein und MO=0 haben."
Daher nehmen wir anstelle von Lärm dessen MO=0.
Einsetzen in die Vorhersage: Vorhersage(Zeit + i + j) = price_appr(Zeit + i + j) + delta_appr(Zeit + i + j) = price_appr(Zeit + i + j) + 0 = price_appr(Zeit + i + j)
Die Prognose für das Rauschen ist also die erste Annäherung: price_appr(x). Und die erste Annäherung ist, wie ich im dritten Beitrag dieses Threads sagte, ein nackter Sitz. Das Ergebnis ist:
Botanische Vorhersage = passend
Die primitivste Version. Wir approximieren den Preis BP. Extrapolieren Sie. Die Differenz zwischen dem extrapolierten und dem realen Blutdruck ist ebenfalls ein Blutdruck, aber bereits stationär. Nennen wir diese neue GR eine synthetische GR.
So führt beispielsweise die Vorhersage mittels EMA (z. B. zweiter Ordnung) nicht zu stationären VR der Residuen. Die Frage der Extrapolation ist also auch ziemlich schwierig. Ich glaube, gpwr hat einen Indikator veröffentlicht, in dem verschiedene lineare Extrapolationsmethoden eingesetzt wurden. Möchten Sie die Verteilungen der Residuen analysieren?
Wie wir wissen, sind stationäre BPs vorhersehbar, wenn sie kein weißes Rauschen sind.
Ich frage mich, ob jemand schon einmal weißes Rauschen in Preistransformationen erhalten hat?
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Haben Sie eine konkrete Idee, wie man die Nicht-Stationarität im Tester berücksichtigen kann?
Es ist also nicht sehr kompliziert. Es erfordert etwas Arbeit, aber im Großen und Ganzen ist das Problem lösbar. Aber aus irgendeinem Grund nicht diskutiert.
Wie Sie wissen, sind stationäre Blutdruckwerte vorhersehbar, wenn sie nicht weißes Rauschen sind.
Daher besteht ein dringender Bedarf an der Umwandlung nicht-stationärer Preis-GP in stationäre, jedoch mit der Möglichkeit der umgekehrten Umwandlung.
Die primitivste Variante. Näherungsweise der Preis VR. Extrapolieren Sie. Die Differenz zwischen dem extrapolierten Blutdruck und dem tatsächlichen Blutdruck ist ebenfalls ein Blutdruck, allerdings ein stationärer. Nennen wir dieses neue BP ein synthetisches BP.
Extrapolation des synthetischen BP. Hinzu kommt die Extrapolation des Preises VR. Handelt es sich bei dem synthetischen BP nicht um weißes Rauschen, so ist das Ergebnis das Resultat der Addition der beiden Extrapolationen.