una estrategia de negociación basada en la teoría de las ondas de Elliott - página 61
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Para aplicar el enfoque sugerido en el libro, hay que hacer exactamente lo mismo que se describe en el libro. El libro da un ejemplo detallado ¡Sólo para el tráfico browniano! Es decir, muestra cómo debería ser visualmente una muestra de "flujos" de movimiento browniano con diferentes coeficientes de Hurst. Si tomas un generador de números aleatorios y luego creas operaciones interdependientes en ruido blanco fijando su probabilidad de ocurrencia, obtendrás más o menos las mismas imágenes que en el libro. Es decir, primero obtendrás el ruido fractal de observación (una muestra de "afluentes"), al sumarlo obtendrás el movimiento físico de algo (en este caso el oscilograma del ruido browniano). A partir de la amplitud del movimiento físico verá que cuanto mayor era su factor Hearst (probabilidad de transacciones interdependientes), mayor resultaba ser la amplitud del movimiento físico en sí. ¿Qué podemos entender en última instancia del ejemplo del libro? Sólo podemos entender lo que ya dije "cuanto mayor sea su ratio de Hearst (probabilidad de transacciones interdependientes), mayor será la amplitud del movimiento físico en sí". A continuación, responda, por favor, ¿qué nos aporta exactamente esta información en términos de predicción? Puedo responder con precisión - NADA, excepto lo que he escrito 2 veces (¡determinemos sólo el grado de interdependencia de las transacciones)! ¿Qué hacen los autores a continuación en el libro? Aplican el cálculo propuesto (análisis del movimiento browniano) a diferentes mercados de capitales. En todos los mercados (o en casi todos) el índice de Hurst es superior a 0,5, en particular para el EURUSD es de 0,64, si no lo olvido. ¿Y ahora qué? ¡BUENO, NADA! Excepto que sabemos que las operaciones en los mercados son en su mayoría interdependientes. Pero supongamos que lo sabemos todo el tiempo, que la gente es más propensa a ir con la tendencia que contra ella, viendo en qué dirección se movió el precio ayer. Por ello, hay periodos de tendencias evidentes en los mercados, basados en el movimiento anterior. Es evidente para todos. Y Vladislav trató de aplicar este enfoque para predecir los canales de regresión lineal. Es decir, ha cambiado significativamente la forma de calcular las "mareas" basándose en el movimiento de los precios existentes para responder a la pregunta "¿Qué pasará con el canal en un futuro muy cercano: continuará o terminará su existencia?".
¿Indica el subrayado "Suavemente allí" que me equivoqué? Posiblemente, pero parece que me he esforzado mucho y he hecho todo según las normas. Y en él se expone el enfoque general del cálculo del índice, y como ejemplo se da el resultado para el movimiento browniano y para el ciclo 19 de la serie de Wolf (sinceramente, no sé cuál es).
He comprobado mi algoritmo con el paseo aleatorio y he obtenido un resultado casi correcto (adjunto gráfico log(R/S) de log(N)).
En los algoritmos de Vladislav y en los suyos, eventualmente se realiza una estimación aproximada del propio índice, mediante la fórmula H=log(R/S)/log(0,5*N) - exactamente como en el libro. Y como escribí antes, decidí implementar un algoritmo más preciso.
Gracias por la explicación detallada, no entendía vagamente algunos detalles del planteamiento de Vladislav. Ahora parece que se aclara. No cuestiono tus cálculos ni los de Vladislav, sobre todo porque funcionan bien.
:о)))))
No, no te equivocas. Con "EXACTAMENTE IGUAL" me refería a que el enfoque utilizado en el libro sólo es adecuado para resolver el problema para el que fue desarrollado, y que he repetido varias veces: "estimar la interdependencia de las transacciones (mareas) bajo algún proceso similar al proceso browniano". Pero utilizarlo para resolver nuestro problema de "previsión de movimientos a lo largo del canal en un futuro muy próximo" en la forma en que se da en el libro, ¡definitivamente NO es posible! Vladislav lo ha concretado para nuestro problema en términos de muestreo "de marea" tomando como media el valor previsto de un canal de regresión lineal trazado sobre una muestra que no incluye la barra actual. ¡Si se quiere profundizar en el sentido de esa revisión, que sugirió, puede hacer falta al menos una tesis doctoral (en matemáticas o en economía, según lo que uno enfoque más) con una adecuada elaboración y presentación de material adicional ;o))))! Vladislav, piénsalo, si es que lo necesitas.
No, no se equivoca. Con "EXACTAMENTE igual" me refería a que el enfoque utilizado en el libro sólo es adecuado para resolver el problema para el que fue desarrollado, y que ya he repetido varias veces: "estimar la interdependencia de las transacciones (mareas) en algún proceso similar al proceso browniano". Pero utilizarlo para resolver nuestro problema de "previsión de movimientos a lo largo del canal en un futuro muy próximo" en la forma en que se da en el libro, ¡definitivamente NO es posible! Así que Vladislav lo afinó para nuestro problema en términos de obtener una muestra de "mareas" contando el valor medio de un canal de regresión lineal trazado en una muestra que no incluya la barra actual como media.
Sí, pero el algoritmo que se da en el libro no impone ningún requisito especial para el contenido de la "entrada". Al menos yo no encontré nada de eso allí y una de las cuestiones que discutimos fue cuál debería ser el flujo de entrada. He recibido valiosos consejos de ustedes. Gracias.
No se calcula la media de Hurst, sino las dos coordenadas Y=Log(R/S) y X=Log(N). Y lo que hay que hacer con ella también parece estar claro.
Existe una ecuación Y=Y(X) que es así: Log(R/S) = H*Log(N) + A. Hay que construir una regresión lineal y determinar su coeficiente y el término libre. Hurst es su coeficiente.
Y sólo la relación de logaritmos no es Hurst en absoluto.
IMHO
No, es un Hurst promedio sobre estas muestras :)
Вычисляется не средний Херст, а две координаты Y=Log(R/S) и X=Log(N). И что с этим делать, тоже вроде бы ясно.
Есть уравнение Y=Y(X), которое выглядит так: Log(R/S) = H*Log(N) + A. Нужно построить линейную регрессию и определить ее коэффициент и свободный член. Херст - это ее коэффициент.
А просто отношение логарифмов - это совсем не Херст.
ИМХО
No, es la media de Hearst de estas muestras :)
Hoy he leído este algoritmo en el libro "Fractal Analysis". Lo implementé usando un algoritmo diferente, según fórmulas diferentes. Voy de 1 a N y para cada n actual cuento log(R/S) y log(N). Luego construyo una recta aproximada y(x)=ax+b. El coeficiente a es el exponente de Hurst. Puede que haya un error de principio en este caso.
:о)
PD: ¿No se puede contar así?
Soy consciente de que el código puede no ser el más óptimo en términos de rendimiento (muchas llamadas a funciones y todo eso), pero lo principal es que quería aclararme si había entendido correctamente la lógica de su cálculo, porque los resultados me parecen cuestionables, y decidí preguntar a gente que sabe.
...
PD: Espero que los participantes en el foro me ayuden a entender. Estaría muy agradecido si Vladislav me dedicara algo de tiempo y me explicara en qué me equivoco con una metodología tan sencilla.
Tome 1000 partículas brownianas aleatorias en mil cuadrículas de coordenadas en el punto cero. A lo largo de estos puntos comienza el bombardeo de fuerzas al azar en una dirección aleatoria. Aquí Hirst argumenta que con el tiempo la distancia entre la partícula y el origen de las corrdinadas (longitud del vector) será proporcional a la raíz cuadrada del tiempo. ¿Por qué 1000 chats? Por una buena media. Este problema no es difícil de programar y probar.
Tome 1000 partículas brownianas aleatorias en mil cuadrículas de coordenadas en el punto cero. A lo largo de estos puntos, las fuerzas aleatorias comienzan a bombardear en una dirección aleatoria. El razonamiento de Hirst es que con el tiempo la distancia entre la partícula y el origen de las corrdinadas (longitud del vector) será proporcional a la raíz cuadrada del tiempo. ¿Por qué 1000 chats? Por una buena media. Este problema no es difícil de programar y probar.
Le creo. Pero Feder argumentó que si es necesario un valor exacto, también hay que contar con más precisión. Así que intenté hacerlo. Y hoy he descubierto que el Sr. Peters no lo calcula así en absoluto.
Será suficiente: sólo una columna de números, el resto lo haré yo mismo.