Teoría de los flujos aleatorios y FOREX - página 13
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
Dudo que podamos hablar de velocidad, y mucho menos de aceleración... al menos en la misma línea que la velocidad y la aceleración de los aviones.
Estoy de acuerdo en que la velocidad y la aceleración son diferentes. Pero los dos están ahí y ahí. Este enfoque permite predecir
Pero entonces la cuestión de las pruebas de la cartera surgiría con toda su fuerza: una vez más el problema se hace inmenso :-(.
De su artículo "Speed estimation under foreshortening":
Д(t),V(t),a(t) – детерминированные составляющие соответственно дальности, скорости и ускорения;
DV(t), Da(t) son componentes de fluctuación de la velocidad y la aceleración;
Aquí hay un artículo de prensa abierto (adjunto), dice sobre nuestra investigación al final del artículo. Y se da la ACF del TDS aéreo real (trayectorias de frecuencia Doppler) (la frecuencia Doppler es directamente proporcional a la velocidad), véase la Fig. 9. Compárelos visualmente con el ACF que publiqué ('Te oría del flujo ale atorio y FOREX' o aquí 'Teoría del flujo aleatorio y FOREX' ). Cuando vi esta curva, no podía creer lo que veían mis ojos, la comprobé 20 veces (la construí usando diferentes métodos, ahora la he comprobado mediante el tercer método, no hay ningún error).
Alpha, beta y sigma, que acaban de establecerse en forma de ACF (que se insertan en estas ecuaciones), es un enlace inercial de segundo orden. Físicamente realiza sus oscilaciones, alrededor de un determinado nivel, si no llega energía externa, las oscilaciones se amortiguan. Si llega un impulso, (la oscilación) puede pasar a un nuevo nivel, y volverá a oscilar.
Si se varía la profundidad de muestreo, diferentes oscilaciones (rápido, lento, más o menos lo que dice el artículo), es decir, el movimiento total es como si se compone de todas estas oscilaciones con diferentes (alfa, beta, sigma). Multidimensionalidad y multidimensionalidad del movimiento.
En un procesamiento óptimo, para cada oscilación hay que tener un filtro diferente. Pero esto es un número infinito de filtros de Kalman ;-(. Escribí antes que más arte (cálculos de recorte) cada uno de nosotros puede necesitar diferentes detalles de este proceso para construir un TS. Y alguien, digamos, quiere considerar la relación de las diferentes monedas (análoga a la del Maestro-Esclavo en este artículo), hay una correlación entre ellas y esto también se puede poner en el modelo, estimar este movimiento y dirigir la energía de forex a su bolsillo, no todo, un poco de pellizco y suficiente :-).
P.D. Dudo de la fórmula (10), algo no encaja ahí. Y en el libro, además, parece ser una errata. Fui a Tikhonov por ello, pero sus ideas están vivas y están sus alumnos, Kharisov y Yarlykov, es difícil sólo encontrarlos en la Academia, como último recurso iré a Bogdanov en Tver (autor de este artículo y supervisor de este trabajo y mi disertación al mismo tiempo).
Para un proceso contingente (e incluso su primera diferencia) es muy cuestionable, ya que el proceso en sí no es como uno estacionario, y mucho menos ergódico. Segundo:
¿Dónde tenemos la normalidad, Prival?
1. Para un proceso cociente (e incluso su primera diferencia) es muy dudoso, ya que el proceso en sí no se parece al estacionario, y mucho menos al ergódico.
2. ¿Dónde estamos en la normalidad, Prival?
1. El ACF se construyó para Y-mu, es decir, la "tendencia" mu=y(x)=a+b*x se eliminó previamente del proceso de cotización, por lo que el MOG del proceso = const (una de las condiciones de estacionariedad 0 en nuestro caso). No hay ningún problema para que Kalman determine la "tendencia": se trata de la componente de velocidad sin tendencia. El resto, tras eliminar la "tendencia", es el componente de flujo de la velocidad. Estoy de acuerdo en que la componente fluctuante no es un proceso ergódico, pero hay zonas en las que se corresponde con el eslabón oscilante y creo que habrá muchas en la historia (lo que se llama un plano). Hay algunas secciones que no se corresponden, significa que se debe utilizar otro modelo en el filtro. Debería haber muchos filtros de este tipo, idealmente infinitos. Cuando le expliqué la física, "como en el receptor, giras el mando para conseguir una estación (tendencia) y la mantienes ahí. Perdió una estación, gire la perilla hasta que suena aha noticias, trabajó fuera de las noticias, se fue de nuevo fue a girar más. Así que ahí tienes. Pero es más complicado y en fórmulas".
Si una corriente de cotizaciones se corresponde con el modelo adjunto, entonces todo está bien, hacemos caso a las noticias, a la tendencia, al piso, etc. Cuando la señal desaparece (la discrepancia a la salida del filtro supera un umbral) basta con girar un mando y buscar un filtro de entre los 99 restantes (mil millones-1) que sea más apropiado para el proceso actual (el modelo incrustado en él).
La única cosa a la que quiero prestar atención, que nadie canceló el teorema de Kotelnikov, si las citas vienen en 1 vez en un minuto (trabajamos por minutos) que los procesos accesibles a nosotros para la investigación tienen un período de al menos 2 min, en la práctica es mejor que la frecuencia de muestreo en 5-8 veces por encima de la frecuencia máxima. Si se proyecta (se centra) el trabajo de TS en las noticias, entonces deberíamos cambiar a las garrapatas.
2. Probablemente haya normalidad, lee con atención la condición que dice "un vuelo horizontal recto", significa que MOJ=const y no cambia, no importa qué tramo de este intervalo de tiempo tomemos. Encuentre tal área en las cotizaciones y vea (+-1 pips dentro de una hora en MOJ=const). No importa el intervalo :-) Frase superflua en el artículo, sin relación con la esencia de la investigación.
Y en general me duelen los dedos :-) ponte los auriculares.
Necesitas hacer un filtro Kolman en MQL, así es como se ve en MathCad
índices "T", "-1" - operaciones de transposición, cálculo de la matriz inversa. Todos ellos son matrices (arrays) y deben ser programados según el álgebra matricial http://alglib.sources.ru/matrixops/
Hay fragmentos de códigos C, pero hay que comprobarlos. Todo funciona en matkadel.
No sé si podré hacerlo en el trabajo, pero es una tarea digna de un maestro, quizá en mi tiempo libre. El objetivo es la máxima velocidad y precisión del cálculo. Matriz de tipo H, entera (formada por 0 o 1). El resto son dobles.
O cualquiera que pueda manejarlo, sólo asiente. Trataré de escribir instrucciones detalladas paso a paso (tengo experiencia en programación MQL).
Esto significa que entre 10 y 100 mil millones de filtros de Kalman están trabajando en paralelo y cada uno de ellos recibe cotizaciones. Si el flujo de cotizaciones corresponde al modelo anidado, entonces todo está bien, escuchamos las noticias, la tendencia, el plano, etc. Si no hay señal (la discrepancia a la salida del filtro supera el umbral) sólo hay que elegir un filtro de los 99 restantes (mil millones-1) que mejor se corresponda con el proceso en curso (el modelo encerrado).
El principal problema del comercio es que, cuando el modelo se reconoce de forma más o menos fiable, las probabilidades de que continúe y se derrumbe son prácticamente las mismas. Me temo que esta regla se aplicará a todos los filtros de Kalman de 10 a 100 milímetros.
Esto significa que entre 10 y 100 mil millones de filtros de Kalman están trabajando en paralelo y cada uno de ellos recibe cotizaciones. Si el flujo de cotizaciones corresponde al modelo anidado, entonces todo está bien, escuchamos las noticias, la tendencia, el plano, etc. Cuando la señal desaparece (la discrepancia a la salida del filtro supera el umbral) sólo hay que buscar un filtro de entre los 99 restantes (mil millones-1) que se corresponda mejor con el proceso en curso (el modelo incorporado).
El principal problema en el comercio es que cuando un modelo se reconoce de forma más o menos fiable, las probabilidades de que continúe y se derrumbe son prácticamente las mismas. Me temo que esta regla se aplicará también a todos los filtros Kalman de 10 a 100 m.
Bueno, creo que es una afirmación demasiado dura. De hecho, no hay estudios que den estadísticas sobre la vida útil de los modelos. Incluso quienes introducen y utilizan estos modelos prefieren no realizar ni publicar estos estudios. Obviamente, se cree que si la estrategia tiene un mo positivo, entonces el modelo se reconoce antes de que se igualen las probabilidades.
Y hay estrategias de este tipo, vivas. Mira mejor. Su Asesor Experto en realidad hace lo que yo quería implementar en el mío - reconoce los puntos de inflexión y entra al principio de la onda. Y se mueve tanto hacia arriba como hacia abajo. Aquí tienes una previsión y el reconocimiento previo.
En cuanto al programa de Prival diría lo siguiente: es interesante, hay una idea, el paralelismo no es tan lejano. Lamentablemente no he entendido de matemáticas, tengo mucho que hacer, pero si la matriz de transición no es algo fijo, puede haber una solución de esta manera. Pero la parte computacional tiene que ser menos dispersa. Si sólo el proceso de cálculo directo requiere el cálculo sobre 10-100 miles de millones de filtros, entonces podemos olvidarnos de los ticks. Y también está el problema inverso, hay que ajustar de alguna manera los parámetros a las condiciones cambiantes del mercado.
Por lo tanto, es necesario estimar claramente los recursos tanto en términos de memoria como de tiempo de ciclo de computación. De lo contrario, podemos obtener un ciclo de cálculo de 5 a 10 horas. ¿Cuál será la noticia entonces? Lo único que tendremos que hacer es jugar durante días o semanas. :-)
Existen variantes de construcción de la F adaptativa, a ellas se procede si el cálculo paralelo de varios filtros supera el coste computacional de la adaptación. es decir, la matriz F(t,ACF,L) depende del tiempo, de los parámetros ACF y de L - de algunas propiedades del flujo. Pero esto ya es el ámbito del filtrado no lineal. Me gustaría mantenerme dentro de los límites de la filtración lineal por ahora. Marcar las estadísticas de ACF en las zonas típicas (mercado en calma, apertura de la sesión, comunicado de prensa, varias tendencias con diferentes parámetros, varias flautas con diferentes parámetros). Como se dice tirar del hilo para ver. Creo que unos 10-16 filtros serán suficientes, cuando aparezca una discrepancia, divergencia del modelo, se debe tomar una decisión (punto crítico del mercado - punto de decisión). En este punto, cambie a las funciones de decisión estadística de Wald. De alguna manera, hasta ahora no tengo respuestas a todas las preguntas, sólo un camino claro y una meta.
Sí sobre el tiempo de detección, depende de la calidad de las características y del conjunto de modelos. Puede ser instantáneo. Ejemplo (digamos que en el conjunto) habrá 2 filtros encargados de trabajar con huecos (1 arriba 1 abajo). La selección del conjunto de modelos es inequívoca + el rasgo es bastante potente :-).