Obtención de una PA estacionaria a partir de una PA de precio - página 7
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
Así que ..... ? ¿Y qué? La densidad de potencia espectral no es necesaria para los operadores porque no permite predecir (sintetizar) la forma de la señal para el futuro.
No necesariamente - una predicción de reversión es suficiente para el comercio de tendencia
Esto es sólo una *suposición* del reino de los mitos. Ni siquiera puedes mostrar cómo lo harías (predecir una inversión) sólo con la densidad de potencia espectral.
Como sabemos, los PA estacionarios son predecibles si no son ruido blanco.
Por lo tanto, existe una demanda urgente para convertir los BPs de precios no estacionarios en estacionarios, pero con la posibilidad de conversión inversa.
La variante más primitiva. Aproximadamente el precio VR. Extrapolar. La diferencia entre la PA extrapolada y la real también es PA, pero estacionaria. Llamemos a este nuevo BP sintético.
Extrapolar la PA sintética. Lo resumimos con la extrapolación del precio de la RV. Si el PA sintético no es ruido blanco, la salida es una previsión, el resultado de la suma de las dos extrapolaciones.
Me ha dado pereza leer todos los posts aquí. Así que voy a hacer una pregunta que quizá ya se haya hecho antes que yo. ¿Cuál es el criterio de aproximación? ¿Cuál es la desviación estándar mínima en el intervalo que se está probando? ¿Y cómo elegimos la longitud del modelo?
Para ver a dónde quiero llegar con mis preguntas, tomemos como ejemplo el modelo AR. Para ajustarlo, hay que dividir los datos pasados en muestras de entrenamiento, es decir, entradas y salidas. Ajustar el modelo a esos datos mediante una regresión lineal, el método de Burg u otro método de predicción lineal. Usted sugiere que después de ajustar este modelo AR, deberíamos calcular los errores de predicción sobre los datos pasados (es decir, los mismos errores que intentamos reducir durante el ajuste) y ajustar otro modelo AR a un rango de errores y así sucesivamente. No tiene mucho sentido hacerlo, ya que la longitud del modelo AR debe elegirse de forma que el error de aproximación tenga las propiedades del ruido blanco. De lo contrario, tienes un modelo corto y sus errores no se comportan como ruido blanco, sino como algo predecible. Pero ajustar un segundo modelo bajo una serie de errores, y luego un tercero y así sucesivamente tiene el mismo resultado que aumentar el orden (longitud) del primer modelo AR.
Es más correcto construir el primer modelo por pasos, aumentando la longitud del modelo hasta que el error de aproximación se comporte como ruido. Se ha escrito mucho sobre esto en libros y artículos.
Me ha dado pereza leer todos los posts aquí. Así que voy a hacer una pregunta que quizá ya se haya hecho antes que yo. ¿Cuál es el criterio de aproximación? ¿Cuál es la desviación estándar mínima en el intervalo que se está probando? ¿Y cómo elegimos la longitud del modelo?
Para ver a dónde quiero llegar con mis preguntas, tomemos como ejemplo el modelo AR. Para ajustarlo, hay que dividir los datos pasados en muestras de entrenamiento, es decir, entradas y salidas. Ajustar el modelo a esos datos mediante una regresión lineal, el método de Burg u otro método de predicción lineal. Usted sugiere que después de ajustar este modelo AR, deberíamos calcular los errores de predicción sobre los datos pasados (es decir, los mismos errores que intentamos reducir durante el ajuste) y ajustar otro modelo AR a un rango de errores y así sucesivamente. No tiene mucho sentido hacerlo, ya que la longitud del modelo AR debe elegirse de forma que el error de aproximación tenga las propiedades del ruido blanco. De lo contrario, tienes un modelo corto y sus errores no se comportan como ruido blanco, sino como algo predecible. Pero ajustar un segundo modelo bajo una serie de errores, y luego un tercero y así sucesivamente tiene el mismo resultado que aumentar el orden (longitud) del primer modelo AR.
Es más correcto construir el primer modelo por pasos, aumentando la longitud del modelo hasta que el error de aproximación se comporte como ruido. Se ha escrito mucho sobre esto en libros y artículos.
¡Ah, tío!
¡Oh, vamos, colega! Aquí no hay nadie que conozca palabras tan ingeniosas (como usted escribe: "criterio", "aproximación"), sino que conoce exactamente a 3-4 personas. Y es evidente que están cansados de explicar las verdades claras a todo el mundo, por lo que guardan silencio.
Convertir una serie no estacionaria en una serie estacionaria es un ejercicio que no tiene nada que ver con el beneficio.
>> Nada de eso. Lo que se discute, en el sentido más amplio, es obtener de una serie no estacionaria de precios, una serie estacionaria de beneficios.
A instancias de Grasn (a quien doy las gracias), empecé a desarrollar la siguiente idea.
3. Predecimos ZZ en 2 pasos - finalización de la onda actual y la siguiente. Probablemente, es posible utilizar un modelo de regresión complicado, por el momento me limito a las estadísticas habituales.Este punto es el más importante, porque da las mayores amplitudes. ¿Podría explicarlo con más detalle? ;-) Obviamente, no se trata de una estadística, es decir, no se trata sólo de los promedios de los tamaños de los pasos o incluso de la distribución del siguiente tamaño de los pasos a partir del anterior.
Nada de eso. Lo que se discute, en el sentido más amplio, es obtener de una serie no estacionaria de precios, una serie estacionaria de beneficios.
No lo entiendo. TS obtiene beneficios y no he visto ni una palabra sobre TS.
No lo entiendo. El TS obtiene beneficios y no he visto ni una palabra sobre el TS
beneficio=f(serie de precios)
Este punto es el más importante porque opera con las mayores amplitudes. ¿Puede ser más específico? ;-) Evidentemente, no se trata de la estadística habitual, es decir, no se trata simplemente del tamaño medio del paso ZZ e incluso no se trata de la distribución del tamaño del siguiente paso a partir del anterior.
Por ahora, la distribución. Pienso clasificar las distribuciones según el error de predicción, quizás haya un patrón ahí.
No.
1. Primero aproximamos la serie de precios. Obtenemos la fórmula de aproximación del precio BP: precio_appr(tiempo)
Extrapolar price_appr(time + i).
3. Obtener delta sintético(tiempo + i) = Open[tiempo + i] - price_appr(tiempo + i)
4. Comprueba si delta(x) tiene ruido blanco. Si es ruidoso, mala suerte para la abuela. Si no hace ruido, continúa.
5. Aproximar la sintaxis y obtener la fórmula: delta_appr(tiempo)
6. Previsión: previsión(tiempo + i + j) = precio_apr(tiempo + i + j) + delta_appr(tiempo + i + j)
donde: i y j son OOS de pasos anteriores. tiempo, i y j son conjuntos de tiempo no superpuestos
Esta es una sugerencia interesante.
Aunque la metodología de predicción no está del todo clara. ¿Qué es lo que realmente se predice?
Pero hay otra tarea que resolver primero.
¿Cómo se comprueba el ruido blanco o no?
beneficio=f(serie de precios)
Las conversiones de BP en algo más decente son abundantes: todos (o casi) los indicadores, pero no se ve ningún beneficio. Siempre, cuando se desarrolla un indicador, primero es la idea y luego la aplicación. Aquí se dice que "es bueno que la PA sea estacionaria en lugar de no estacionaria". ¿Qué es bueno? El desarrollo de todos los indicadores pretende reflejar alguna característica de la BP inicial. En este caso, la tarea no se establece en absoluto, sino que se trata de establecer las características del resultado, y se desconoce qué mostrará este resultado de la PA inicial.
Por cierto, aquí en el foro vio un gráfico que muestra que la longitud de las velas depende de la hora del día.