Teoría de los flujos aleatorios y FOREX - página 6

Nuevo comentario
 

dreder, gracias por el consejo, pero no es probable que lo siga: soy un adicto, y una dosis real fue suficiente para engancharme. Y tú también eres un adicto, ¿no?

De hecho, ¿por qué no unirse a un pequeño círculo de adictos, algunos de los cuales saben mucho de matemáticas (yo no)?

2 Cándido: Lo reuniré y lo enviaré. Están Marple, Sato, Wald, Farina, conferencias sobre DSP y el cálculo de ACF en Mathcad. Espero que todo el archivo pase de una vez (tengo unos 13,5 Mbytes en total, así que serán menos de 20 al reenviar). Te lo envié desde otro buzón. Envíame un mensaje con el resultado, o envíame un correo electrónico.

 
Prival:

Voy a intentar explicar el ACF con un ejemplo, ...

Bueno, en principio conocía la definición de ACF, lo que pasa es que suele haber tanta gente como fórmulas :). Si no lo calculas directamente, por supuesto.
¿Y qué tiene de malo el fastcorellation de la biblioteca de klot?
 
Mathemat:

De hecho, ¿por qué no tener una pequeña charla en un pequeño círculo...

Estoy a favor, salvo que no se me dan bien las matemáticas, como mucho soy un C. Vod un par de copas en esta rica experiencia de ingeniero de radio de la aviación :-)

lna01 sobre la fastcorellation, no sabía que estaba ahí, perdona si te he vuelto a molestar :-), cómo cuenta todo.

 
Prival:

lna01 sobre la fastcorellation no sabía que estaba ahí, lo siento si empiezo a preguntar mal otra vez :-), como todo cuenta.

Lea más al respecto aquí - http://alglib.sources.ru/fft/fastcorrelation.php
El formato es el siguiente:
void fastcorellation(double& signal[], int signallen, double pattern[], int patternlen)
/*************************************************************************
Correlación mediante FFT

En la entrada:
La señal es un array de señales, con las que realizamos la correlación.
Numeración de elementos de 0 a SignalLen-1
SignalLen - longitud de la señal.

Patrón - matriz de patrones, la correlación de la señal con la que estamos buscando
Numeración de elementos de 0 a PatternLen-1
PatternLen - la longitud del patrón.

La salida:
Señal - valores de correlación en los puntos de 0 a
SeñalLen-1.
*************************************************************************/
 
Sí, todo tiene sentido. A juzgar por la descripción, las matrices son realmente periódicas, y para tales datos la ACF dependerá por definición sólo de la diferencia de argumentos, es decir, el proceso se convertirá automáticamente en estacionario. No encaja, maldita sea...
 
Mathemat:
Sí, lo entiendo. A juzgar por la descripción, las matrices son realmente periódicas, y la ACF para tales datos dependerá de la diferencia de argumentos por definición, es decir, el proceso se convertirá automáticamente en estacionario. No encaja, maldita sea...

El ACF será simétrico si utiliza la FFT, es decir, necesita los datos hasta la mitad. Aunque no sé dónde quieres aplicarlo.

Si el ACF depende de la diferencia de los argumentos, es no estacionario.

 
Mathemat:
Sí, todo tiene sentido. A juzgar por la descripción, las matrices son realmente periódicas, y para tales datos la ACF dependerá por definición de la diferencia de argumentos, es decir, el proceso se convertirá automáticamente en estacionario. No encaja, maldita sea...
Son periódicas, por supuesto, pero con un período del primer 2^n mayor, exactamente hasta esta longitud se añaden ceros - se deduce de la fuente. Así que en realidad no son periódicas :)
 
Necesito un procedimiento que calcule los coeficientes a y b en la ecuación y(x)=a*x+b. Entonces puede que sea capaz de construir algún algoritmo de curva ACF en MQL de nuevo
 
Prival:
Necesito un procedimiento que calcule los coeficientes a y b en la ecuación y(x)=a*x+b. Entonces tal vez podré crear algún algoritmo de curva ACF en MQL de nuevo.
Probablemente, es difícil encontrar a alguien que no se haya hecho a sí mismo esa función. Yo también :) Funciones".
 
Prival:

Intentaré explicar el ACF con un ejemplo, supongamos que tenemos dos conjuntos de datos, el primero 0 1 2 3 4 5 y el segundo 10 11 12 13 14 15, si calculamos el coeficiente de correlación (CC) de estos conjuntos este = 1, es decir, conociendo el 1 conjunto podemos calcular con precisión el segundo, si el segundo conjunto fuera 15 14 13 12 11 10, el CC sería = -1, es decir, cuando un conjunto aumenta, el segundo en la misma proporción disminuye.

La ACF (función de autocorrelación, es una comparación de la matriz consigo misma sólo desplazada en el tiempo. En el turno=0, ACF =1, ya que los datos originales coinciden exactamente con ellos. Cuando aumentamos el desplazamiento, el ACF empieza a cambiar, oscilando entre -1 y 1, el cero significa que no hay correlación.

Si el ACF de la corriente de citas fuera todo el tiempo =1 eh qué grial sería :-).

Tengo las fotos, las he colgado arriba. Pero son sólo para 1 muestra, creo que la ACF debe variar con el tiempo (sin duda lo hace para el grial se habría encontrado hace mucho tiempo), pero si encontramos la función que la aproxima y sólo si encontramos los parámetros de esta función será un avance significativo

Lo que nos da el análisis de ACF

1. Construir un modelo más o menos adecuado de series temporales.

2. determinar el tiempo durante el cual el proceso está correlacionado, es decir, el tiempo por el cual podemos predecir el comportamiento de la curva

3. El ACF se puede utilizar de varias maneras, hasta la toma de decisiones comerciales. Lo principal es entenderlo y comprender su comportamiento en varios intervalos de tiempo


He intentado escribir un script en MQL que muestra el correlograma (función de autocorrelación) de las series de tiempo en una ventana separada. El código construye una serie de primeras diferencias y encuentra una media muestral de los valores de Nbars, el coeficiente de correlación de la diferencia actual Open [i]-Open[i+1] consigo misma (columna con índice cero), con la diferencia anterior Open[i+1]-Open[i+2] (columna con índice número 1),..., con la k-diferencia Open[i+k]-Open[i+k+1] (columna con índice número k), etc.., k tiene valores de 0 a n.

//+------------------------------------------------------------------+
//| FAK. mq4 |
//| Copyright © 2007, Neutron |
//+------------------------------------------------------------------+
#property indicador_separar_ventana
#property indicator_buffers 1
#property indicator_color1 Rojo
#property indicator_width1 4

extern int Nbars=10000, n=100;
int i,paso,inicio;
double s1,s2,fak[1000],Dif[10000];

int inicio()
{
Inicio=Nbars+n;
for (i=Start;i>=0;i--){Dif[i]=Open[i]-Open[i+1];}

for (step=0;step<=n;step++){s1=0;s2=0;
for (i=Nbars;i>=0;i--){s1=s1+Dif[i]*Dif[i+step];s2=s2+Dif[i]*Dif[i];}
fak[paso]=s1/s2;}
}

int init()
{
SetIndexStyle(0,DRAW_HISTOGRAM);
SetIndexBuffer(0,fak);
return(0);
}

Preste atención a que en los minutos el par EUR/GBP muestra una fuerte correlación negativa entre las lecturas adyacentes (la barra con el índice 1 y el valor -0,25). Para evitar que aparezca una columna cero con información incompleta (siempre idéntica a 1), es necesario trazar una línea:

for (step=0;step<=n;step++){s1=0;s2=0;

reemplazar con:

for (step=1;step<=n;step++){s1=0;s2=0;

El producto del coeficiente de autocorrelación r1 por la volatilidad del instrumento en la TF seleccionada dará la rentabilidad media de la TS basada en el proceso de Markov. Lamentablemente, este valor no supera la comisión de la CC.

12345678910111213...85
Nuevo comentario