What makes an unsteady graph unsteady or why oil is oil? - page 18
You are missing trading opportunities:
- Free trading apps
- Over 8,000 signals for copying
- Economic news for exploring financial markets
Registration
Log in
You agree to website policy and terms of use
If you do not have an account, please register
спрогнозировать его надо прежде всего с того что привести его к стационарному.
Например взять разности, то есть: Разность(2)= Цена(2)-Цена(1).....Разность(100)=Цена(100)-Цена(99),
ну и дальше подбирать соотв. линейную модель прогнозирования
Каким образом вы сможете это потом использовать?
If there is a zero point, the cumulant is fully recoverable from the retournee as well as vice versa.
If you have a reliable return forecast (price of the first difference), then make a level forecast
(where the price reaches and where it turns around) out of it is a couple of simple things.
Если по поводу темы, то есть по поводу того что делает движения цен нестационарным случ. процессом,
то вначале необходимо определить что такое есть сама нестационарность.
Нестационарность это изменение (не постоянство) математического ожидания и дисперсии
во времени, то есть среднее-дисперсия на M5 полученные по последним, скажем 100 значениям не
равны среднему-дисперсии полученные на том же тайм-фрейме, но сутки тому назад.
При наличии нулевой точки кумулят полностью востановим из ретурна так же как и наоборот.
Те если вы получили достоверный прогноз ретурна (цен первой разности) то сделать уровневый прогноз
(докуда цена дойдёт и хде развернёться) из него пара пустяков.
I.e. by taking some current point as a reference and having a prediction of direction and magnitude. It seems straightforward.
But it seems that the prediction must be sufficiently short-term.
And will the range of the forecast be sufficient to ensure that the result is statistically valid and usable?
If not, does this mean that there is a need to constantly change the reference and, as a consequence, return to non-stationarity.
А почему именно сутки? Цена вполне даже стационарна в пределах времени тренда или флета.
А вы знаете как их определить? Т.е. решить когда переходить с одной модели поведения на другую
Т.е. беря за референс некоторую текущую точку и имея прогноз направления и величины. Вроде всё просто.
Но, по-видимому, прогноз должен быть достаточно краткосрочным.
А будет ли диапазон прогноза достаточным, чтобы обеспечить стат достоверность результата и возможность его использования?
Если нет-не означает ли это необходимости постоянного изменения референса и, как следствие, возврата к нестационарности.
I have no answers, but I think between random entry and entry by prediction the stat advantage will be for the latter
with any reliability of the forecast (of course the more reliable the forecast is the better).
Even if the forecast entry will be worse than random one then it can be simply reversed during debugging,
The only thing is it will not give anything if random input profitability will be equal to predicted one, you will lose with spread rate.
Это другой вопрос, не имеющий отношения к обсуждаемой стационарности/нестационарности. Именно поэтому нет смысла о ней особо рассуждать так как это само по себе ничего не даёт.
For me, the question of stationarity/non-stationarity is interesting in terms of how to use it.
Therefore, if it is not clear how to define a trend or a flat, then the statement "Price is quite stationary within a trend or a flat" is kind of a no-brainer.
Для меня, вопрос о стационарности/нестационарности интересен с точки зрения того, как это использовать.
Поэтому, если непонятно как определить тренд или флет, то утверждение "Цена вполне даже стационарна в пределах времени тренда или флета" - как-бы не о чём.
У Бокса "проинтегрированное" - это разности порядка выше чем один, т.е. разности разностей, пока не получим стационарный процесс. Бокс приводит к стационарному виду, но для исторических данных, а что будет для будущих данных? Будет ли там модель АРПСС иметь те же параметры, что и для исторических данных. Вот что имелось ввиду.
The order of the autoregression will be increased by the order of the difference, and thus the previously fitted weights (parameters) for the given statistical process will be changed.
The parameters (weights) of the moving average will not be affected. Box has unambiguous definitions and examples for this.
And for historical data... I'll give you a hint:
Difference(t+1)=Price(t+1)-Price(t), where t=1,2,......N.
If predicted Difference(t+1), Price(t) we know, because t is the last closed bar, then...
:)