Volúmenes, volatilidad e índice Hearst - página 30
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
No se puede aislar el ruido en una cita - probablemente no entiendas esto porque no lo has probado. Y ninguna ARPSS le ayudará en las cotizaciones y nunca encontrará estas parcelas. Si hubiera más de los inteligentes millonarios que andamos por aquí, la isla y los castillos no serían suficientes para todos. :о) Aislar el ruido significa encontrar un modelo adecuado.
No soy un científico
No es que me haya dirigido a ti personalmente. Pero ya que respondiste - la autoidentificación artificiosa no funcionó :)
En cuanto a la pregunta, no es a los errores en la interpretación de los resultados del análisis del mismo proceso (tales conclusiones apresuradas amablemente faa1947 demuestra - mediante la eliminación de cada segunda observación, requiere que el período en unidades se mantiene), pero en el hecho de la ciclicidad de la media móvil de la suma de series aleatorias.
Esto me impide entender el proceso de cotización en sí y la trayectoria de precios resultante.
Y si el supuesto deambular geométrico de un cociente es el resultado de una serie de procesos aleatorios (suavizados por limaduras de CC y discretizaciones groseras de taframes), entonces ¿cómo es esto consistente con la distribución uniforme (y en última instancia la gaussiana) de algunos modelos populares?
Por cierto, el modelo "tendencia-onda-ruido" durante un "período muy largo" no se sostiene con respecto al mercado de divisas: aquí no puede haber una tendencia por definición.
El oro, el petróleo, el azúcar... se necesita una tendencia en este sentido. Para estimar la inflación...
;)
Creo que Prival está en este hilo. Los pasajes sobre el filtro de Kalman, por ejemplo, también hacen referencia a esto. Según tengo entendido, lo ideal es que el ruido sea normal. Entonces sería posible predecir no sólo las trayectorias de los aviones enemigos, sino también los kotirs :)
El modelo ARPSS se escribe como ARPSS (p, d, q), donde d son las diferencias. Hay que tomarlas hasta que la serie resultante sea normal. Se argumenta que d = 2 es suficiente.
La persistencia con la que muchas personas tratan de interpretar la similitud únicamente como similitud geométrica es realmente sorprendente. A pesar del ejemplo perfectamente específico de similitud que se da, me refiero a la relación estadística Alto-Bajo y |Cerrado-Abierto|. Esa es la verdadera similitud. Por cierto, Yuri, tu ejemplo de ZZ podría ser aún mejor, pero parece ser de una cuenta personal, así que no lo cito aquí.
Farnsworth 18.09.2010 22:08
== igualdad de las distribuciones de dimensión finita
Los ejemplos con similitud geométrica ayudan a comprender claramente la esencia de Hurst como coeficiente de autosimilitud. Por ejemplo, podemos dar una interpretación geométrica del análisis R/S: tomar una regla de tamaño 1, medir R/S con ella, tomar una regla de tamaño 2 y repetir la medición. Y así sucesivamente, siempre que sea relevante. En realidad, de este modo se evalúa la igualdad de las distribuciones y se calcula el coeficiente de autosimilaridad en el proceso.
En cualquier caso, me gustaría mucho que tú, Candid, dieras tu interpretación geométrica o, por así decirlo, que mostraras en imágenes, cuál es el significado geométrico de tal definición:
El índice de Hurst es una medida marginal. Y se define como el límite, la asíntota a la que h en la fórmula conocida para el intervalo normalizado cuando el número de cuentas en el intervalo aumenta hasta el infinito.
Personalmente, veo que Hurst, el coeficiente de autosimilitud, en la definición anterior se ha simplificado a una única medida de una característica similar a R/S utilizando una regla de longitud infinita. Obviamente, las series que no tienen una dispersión normalizada infinita tendrían, según esta definición, un coeficiente de Hurst igual a cero. ¿Cuál es su opinión?
Si utiliza ARPSS, no lo entiendo. La premisa del ARPSS es: tendencia + onda + ruido.
No se escribe así en absoluto y se entiende de forma un poco diferente. El ARPSS es esencialmente un modelo AR con corrección de la matriz de covarianza. Hay componentes que amplían el ARPSS - se puede incluir el modelo de tendencia (!), el modelo de desglose (!), muchas cosas. ¿Qué dices al respecto? ¿Crees que no sé nada al respecto? Estoy escribiendo sobre otra cosa: no estoy aplicando estos modelos directamente a las cotizaciones. No tiene sentido. Estaba escribiendo sobre el uso de sistemas estocásticos con una estructura aleatoria. Eso es todo, ¿qué es lo que estás discutiendo? ¿Que puede aplicarlos en las cotizaciones? ¿ARPSS en las cotizaciones? Enhorabuena.
O calificaciones, calificaciones primero.
Las matemáticas no funcionan en este caso: no se cumple ninguna de las condiciones necesarias. Bueno, sí, la calificación - quién puede discutir con eso.
Se ha especulado mucho sobre el tema, pero nada. ¿Quizás podría compartir los resultados?
¿quién lo discutió? ¿Cuáles son los resultados a compartir? Aquí mismo: https://forum.mql4.com/ru/34527/page27 dio el resultado de las pruebas en pips, hasta ahora en MathCAD, 25 operaciones en 150 días. También en la rama de pruebas de sistemas en línea - hizo algunas previsiones.
PD: Si puedes aplicar el ARPSS a las cotizaciones e identificar correctamente el proceso, demuestra tus habilidades.
Creo que Prival está en este hilo. Esto incluye pasajes sobre el filtro de Kalman, por ejemplo. Según tengo entendido, lo ideal es que el ruido sea normal. Entonces sería posible predecir no sólo las trayectorias de los aviones enemigos, sino también los kotirs :)
No, no, no es tan sencillo. El propio Privalych dijo que Kalman no depende de la distribución de errores. Lo que pongas ahí, así sale el filtro.
Sinceramente, no sé qué es Kalman. Nunca me han interesado los filtros en los negocios.
Farnsworth 18.09.2010 22:08
Los ejemplos con similitud geométrica ayudan a ilustrar el punto de Hearst como coeficiente de autosimilaridad. Por ejemplo, se puede hacer una interpretación geométrica del análisis R/S: tomar una regla de tamaño 1, medir R/S con esa regla, tomar una regla de tamaño 2 y repetir las mediciones. Y así sucesivamente, siempre que sea relevante. De hecho, de este modo se evalúa la igualdad de las distribuciones y se calcula el coeficiente de autosimilitud.
El modelo ARPSS se escribe como ARPSS (p, d, q), donde d son las diferencias. Deben tomarse hasta que la serie resultante sea normal. Se afirma. que d = 2 es suficiente.
No, no, no es tan sencillo. El propio Privalych dijo que Kalman no depende de la distribución de errores. Lo que pongas ahí, así sale el filtro.
Sinceramente, no sé qué es Kalman. Nunca me han interesado los filtros en los negocios.