Gewinnung eines stationären BP aus einem Preis BP - Seite 22

 
Avals >> :


Bei einer kumulierten Summe nimmt die Varianz direkt proportional zum Quadrat der Zeit zu.

Für einen stationären VR ist die Varianz = const


HideYourRichess >> :

Intuitiv assoziieren wir die Stationarität einer Zeitreihe mit der Anforderung, dass sie einen konstanten Mittelwert hat und um diesen Mittelwert mit einer konstanten Varianz schwankt.

...

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 zeitliche Ursprung ändert.


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.




Qualitativ gesehen ist eine stationäre Reihe eine Reihe im statistischen Gleichgewicht in dem Sinne, dass sie keine Trends enthält (es handelt sich um einen Seitwärtstrend mit klaren Grenzen), während eine nicht-stationäre Reihe so beschaffen ist, dass sich ihre Eigenschaften mit der Zeit ändern

 

Liebe Kollegen, ich entschuldige mich für den Fehler (danke an Sergei für den subtilen Hinweis :o). Ich habe gerade eine schwierige Transformation berechnet, die die Eingabe für die Difurkation war, und dies wurde in einem Algorithmus implementiert.

Reihe:


Eine Art Autokorrelation (R(n)=R(-n)):


Schätzung (natürlich gibt es einen Fehler in der Berechnung)



Eine gängige Methode zur Identifizierung von AR/ARIMA-Modellen ist übrigens die Rückwärtsprognose. Es ist ersichtlich, dass dies bei solchen Serien nicht funktioniert.

 
Reshetov писал(а) >>

Und stationärer VR hat Dispersion = const

natürlich. Aber es handelt sich um eine kumulative Summe ;)

 

Können wir es einfach halten...

Es gibt hier eine Diskussion über "chewy" pound-frank.

Haben die Antragsteller irgendwelche Angaben gemacht?

Das ist nichts für grasn.

;)

 
Avals >> :

Ja, natürlich. Aber es geht um den kumulierten Betrag ;)

Und ich spreche von stationären Reihen. Ich habe diese Beträge nicht einmal erwähnt.

 
FOXXXi >> :

Wenn das kumulative weiße Rauschen um zwei Sigma von MO abweicht, wird es mit 97,5 % Wahrscheinlichkeit wieder dorthin zurückkehren, unabhängig von der Häufigkeit der Stichproben, ob es sich um Ticks oder Eulen handelt. Wir können zum Beispiel bei einem Sigma einsteigen, es wird mehr Trades geben, aber die Wahrscheinlichkeit der Rückkehr wird 67 % betragen, und in 33 % der Fälle wird es auf zwei oder drei Sigmas gehen.In der Tat, wenn ein stationärer Prozess auch nur um wie viel von der MO abweicht, wird er mit 100%iger Wahrscheinlichkeit zu seiner MO zurückkehren, weil dies der "faire Preis" dieses Prozesses ist, eine Art Attraktor, der alle Arten von nichtlinearen dynamischen Systemen anzieht.

Entschuldigung, aber Sie schreiben Unsinn, was wiederum zeigt, dass Sie die Materie überhaupt nicht beherrschen.

Ich kann dem, was Avals richtig gesagt hat, nichts hinzufügen:

Avals schrieb(a) >> Die Inkremente sind unabhängig und nichts sollte irgendwo zurückgehen. Wie kehrt die kumulierte Summe zu mo zurück? Nehmen Sie einen SB mit Inkrementen mit mo=0 - er kann so weit von Null abweichen, wie Sie wollen, und so lange nicht zu ihm zurückkehren, wie Sie wollen. Die kumulierte Summe hat eine Varianz, die direkt proportional zum Quadrat der Zeit zunimmt.

grasn schrieb >>
Es gibt hier eine tiefgründige Philosophie. Was ist primär, das Vorhersagemodell und folglich die Konstruktion des TS auf seiner Grundlage oder der TS, für den die Vorhersage ausgewählt wird. >> Bislang verstehe ich nicht wirklich, was "optimales" TS bedeutet (in welchem Bereich, worunter dieses Optimum zu verstehen ist), warum nur ein Schritt nach vorne dafür wichtig ist, wie es mit der Streuung zusammenhängt.

Nehmen wir einen beliebigen TS, der nach dem allgemeinsten Algorithmus gehandelt wird.
Analyseeinheit:
1. legt den Einstiegspunkt in den Markt und die Richtung der offenen Position fest;
2. bestimmt den Ausstiegspunkt, d.h. die Schließung einer offenen Position.
Es ist klar, dass wir bei einer solchen Definition des Handelsalgorithmus die Preis-TP in zeitlich isolierte Abschnitte aufteilen, in denen wir uns auf dem Markt befinden. Nennen wir den TS-Optimalitätsparameter - k das Verhältnis zwischen der Anzahl der Zahlungen von Gleichstromprovisionen und der Anzahl der abgeschlossenen Transaktionen. In diesem Fall ist es offensichtlich, dass k=1 immer und die Reihe der Transaktionen jede lange unidirektionale Reihe enthält. Wir nennen einen "optimalen" TS denjenigen, der den Parameter k minimiert.
Es stellt sich heraus, dass es nicht notwendig ist, aufeinanderfolgende Positionen in einer Richtung zu schließen und zu öffnen, wobei der Spread bei jedem Schritt verloren geht. Aufeinanderfolgende unidirektionale Transaktionen können kombiniert werden, indem man nicht aus dem Markt aussteigt" und einen Spread bei jeder virtuellen" Transaktionsserie anstelle jedes Serienmitglieds verliert, was zu einer Minimierung des Optimierungsparameters führt. Jetzt ist k<=1.
Ein solcher TS wird, wenn alle anderen Bedingungen gleich sind (wenn ein und dieselbe analytische Kontrolleinheit für verschiedene TS arbeitet), den höchstmöglichen Ertrag, definiert als Punkte pro eine Transaktion (im Durchschnitt), liefern und im genannten Sinne optimal sein.

Wenn Sie nun Ihre "künstlerische" Phantasie einschalten, können Sie vor Ihren Augen einen flippigen TS sehen, der immer auf dem Markt ist. Das war der Beweis, der erbracht werden musste.

 
Avals >> :

Tut mir leid, aber das stimmt schon wieder nicht. Die Inkremente sind unabhängig voneinander und nichts sollte irgendwo zurückgehen. Wie wird die kumulierte Summe wieder zu mo? Nehmen Sie SB mit Inkrementen mit mo=0 - es kann so weit von Null abweichen, wie es will, und so lange nicht zu ihm zurückkehren, wie es will. Die kumulierte Summe hat eine Varianz, die direkt proportional zum Quadrat der Zeit zunimmt.

Weißes Rauschen ist auch nicht zeitkorreliert - das ist seine Hauptbedingung -, aber seine Varianz ist endlich. Zum Beispiel ist die erste Differenz in SB Rauschen. Die kumulative Summe dieser Differenzen ist ein Random Walk, alles klar. Nehmen Sie nun zwei oder mehr hoch korrelierte Reihen (SB - kum. Summe), machen Sie eine Regressionsanalyse und erhalten Sie die Residuen (weißes Rauschen - kum. Summe).

 

"Man lernt nie aus", dachte der Leutnant und holte das silberne Zigarettenetui aus seiner Hosentasche unter dem Kopfkissen hervor.

Wissen Sie, was Ihr Problem ist? Ich weiß es auch nicht. Aber Sie haben eine.

Was zum Teufel machen Sie da? Du versuchst, ein kugelförmiges Pferd zu ficken. Nun, Liebe und Ratschläge. Und mehr Kinder...

===

Meine Güte, die Niroba-Filiale ist ein Witz.

 
Svinozavr >> :

"Man lernt nie aus", dachte der Leutnant und holte das silberne Zigarettenetui aus seiner Hosentasche unter dem Kopfkissen hervor.

Wissen Sie, was Ihr Problem ist? Ich weiß es auch nicht. Aber Sie haben eine.

Was zum Teufel machen Sie da? Du versuchst, ein kugelförmiges Pferd zu ficken. Nun, Liebe und Ratschläge. Und mehr Kinder...

===

Donnerwetter, der Niroba-Zweig ruht.

wieder einmal konnte ich meine Freude über die Wissbegierde Ihres Geistes nicht zügeln.

Aber mein unreifer Verstand kann Ihre 300 Einstellungen immer noch nicht akzeptieren.
 
Svinozavr >> :

Was zum Teufel machen Sie da? Du versuchst, das kugelförmige Pferd zu ficken. Nun, Liebe und Ratschläge.

>>Peter, beende deine buckligen Ausreden und beeil dich und nimm an diesem Fest des Lebens teil - geh an die Arbeit!)