El modelo de regresión de Sultonov (SRM): pretende ser un modelo matemático del mercado. - página 44
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
Cinco parámetros para 15 puntos es demasiado. El ajuste habitual.
Prueba la misma ecuación con los mismos parámetros en mil barras.
Parece que ha cambiado la dirección de su investigación. Te inventabas difuras y tratabas de explicar el mercado.
Ahora sólo tratas de describirlo sin siquiera intentar explicarlo.
Cinco parámetros para 15 puntos es demasiado. El ajuste habitual.
Prueba la misma ecuación con los mismos parámetros en mil barras.
Parece que ha habido un cambio de dirección en su investigación. Te inventabas difuras y tratabas de explicar el mercado.
Ahora sólo tratas de describirlo sin siquiera intentar explicarlo.
1.Correctamente notado, aquí está la estadística desnuda y un subproducto de otra dirección de investigación, no relacionada con Forex. Como se sabe, para estimar los coeficientes de una ecuación lineal con conjuntos de variables por el método de la CNA, Gauss sólo indicaba un método de dos pasos que consistía en eliminar gradualmente las variables en el primer paso y hallar los coeficientes en el segundo, lo cual es muy laborioso y engorroso. El segundo método se basa en el método de Cramer mediante determinantes, que no es más sencillo que el método de Gauss y tiene la misma complejidad computacional, aunque es más elegante. He conseguido simplificar el método de forma decisiva y determinar los coeficientes directamente y el ejemplo anterior es un debut y pensé que prestarías atención, cómo he conseguido encontrar 5 coeficientes variando cuatro variables simultáneamente. Normalmente, por ejemplo, cuando se planifica un experimento, se recomienda determinar gradualmente los coeficientes con una sola variable, fijando las demás variables a un nivel constante, quizá recuerde este éxito no tan exitoso de los años 60 y 70. Ahora en serio, no tengo ningún problema en investigar 1000 bares al mismo tiempo y lo haré. Sólo dime por favor cómo descargar la historia directamente en exel con comas, lo siento, soy un cero en la técnica de usar un comp. Estoy aprendiendo poco a poco y sólo lo necesario en este momento. Por favor, especifique con gran detalle, hasta la secuencia de pulsación de los botones.
2. No hay ajuste, pero efectivamente la cantidad de datos no es mucha, ya que, se introdujo manualmente. Sin embargo, llama la atención que esta sencilla ecuación intente describir las variaciones de los precios como si fueran periódicas, aunque no lo son en absoluto.
3. ¿crees que tiene sentido añadir volúmenes a estos cuatro parámetros, sobre todo porque están disponibles, aunque se dice que están sesgados?
4. se ha observado la diferencia de coeficientes en OHLC, aparentemente por falta de datos.
Sólo dime por favor cómo descargar la historia directamente en exel con comas, lo siento, soy un novato en técnicas informáticas.
1. En el terminal, pulse F2. En la tabla que aparece, seleccione un símbolo y pulse "Exportar". Tenemos un archivo.
Abrimos el archivo en Excel. Eso parece:
3. En Excel en la parte superior de la pestaña "Datos".
4. Resalte la sección de datos deseada en la tabla.
5. Haga clic en "Columna por columna" El asistente de texto aparecerá.
6. En el primer paso seleccionamos "Delimitado".
7. En el segundo paso del asistente debe especificar adicionalmente el separador de comas.
8. En el tercer paso:
8.1. Para las dos primeras columnas especifique el formato de los datos de la columna "texto".
8.3 Dejamos "General" para el resto, pero abrimos "más detalles" y ponemos "punto" como separador de lugar.
Debería tener el siguiente aspecto
Sólo hace falta esta ecuación
F=1.00010409798*CLOSE(-1)^0.999631066509
Intentar añadir otro valor conduce a una matriz degenerada (singular).
El ajuste es muy bueno.
Variable dependiente: F
Método: Mínimos cuadrados del panel
Fecha: 30/11/12 Hora: 10:57
Muestra: 1 2652
Períodos incluidos: 23
Secciones transversales incluidas: 113
Total de observaciones del panel (no equilibrado): 2538
Convergencia alcanzada tras 1 iteración
F=C(1)*CLOSE(-1)^C(2)
Coeficiente Std. Error t-Statistic Prob.
C(1) 1,000104 0,000122 8222,019 0,0000
C(2) 0,999631 0,000511 1955,530 0,0000
R-cuadrado 0.999342 Var. media dependiente 1.266171
R-cuadrado ajustado 0.999342 S.D. var dependiente 0.029512
S.E. de regresión 0.000757 Criterio de información de Akaike -11.53332
Suma cuadrada del resid 0,001454 Criterio de Schwarz -11,52872
Log likelihood 14637.78 Criterio de Hannan-Quinn. -11.53165
Estadística de Durbin-Watson 1,951579
Variable dependiente: CLOSE
Método: Mínimos cuadrados del panel
Fecha: 30/11/12 Hora: 10:59
Muestra: 1 2652
Períodos incluidos: 23
Secciones transversales incluidas: 113
Total de observaciones del panel (no equilibrado): 2538
Convergencia alcanzada tras 2 iteraciones
CLOSE=C(1)*F(-1)^C(2)
Coeficiente Std. Error t-Statistic Prob.
C(1) 1.000222 0.000233 4283.747 0.0000
C(2) 0,999132 0,000981 1018,334 0,0000
R-cuadrado 0,997578 Var. media dependiente 1,266170
R-cuadrado ajustado 0.997577 S.D. var dependiente 0.029520
S.E. de regresión 0,001453 Criterio de información de Akaike -10,22961
Suma del residuo al cuadrado 0,005354 Criterio de Schwarz -10,22501
Log likelihood 12983.38 Criterio de Hannan-Quinn. -10.22794
Durbin-Watson stat 1.294442
Este es el gráfico
Vemos picos de alrededor de 100 pips. Pero un histograma muy decente, aunque no normal
Probabilidades = 14 pips.
Pero la elipse de confianza es deprimente: vemos una correlación extremadamente alta de nuestros coeficientes. Esta es la razón de la singularidad de la matriz cuando se añaden variables adicionales.
Yo me abstendría de utilizar la ecuación anterior
He intentado expresar el precio medio de previsión de una barra futura (F) a través de los precios OHLC de las barras anteriores como la siguiente relación, aunque no sé si se ha intentado antes de tal forma o no:
F=A*O^a1*H^a2*L^a3*C^a4,
donde - A, a1, a2,a3,a4 son coeficientes constantes determinados por el método gaussiano MNC y esto es lo que obtenemos para 15 bares de TF D1
Por lo tanto, el cociente puede expresarse, en principio, mediante una única ecuación, pero vamos a averiguar cuál es su utilidad práctica. ¿Cuál es su opinión?
No encontré el periodo de tiempo del que tomaste la muestra de precios, pero las últimas 15 barras muestran la misma imagen (según la fórmula anterior y los coeficientes derivados):
El МА verde con periodo = 1 se utiliza para comparar la previsión con mayor claridad.
Las marcas de precio se dibujan con un guión (en el anexo).
No he encontrado el periodo de tiempo del que tomaste la muestra de precios, pero las últimas 15 barras muestran esta imagen (según la fórmula y los coeficientes que has derivado):
El МА verde con periodo = 1 se utiliza para comparar la previsión con mayor claridad.
Las marcas de precio se dibujan con un guión (en el anexo).
Datos utilizados en D1 del 16. 09. 12 al 05. 10. 12
P.D. Y si no fuera fin de mes, la vela actual sería "bajista"... :)))
No me di cuenta enseguida de que los coeficientes están dispuestos en orden inverso a4 -> a1. Luego, un mes después, los coeficientes calculados no son "un dedo en el cielo"... ;)
P.D. Y si no fuera fin de mes, la vela actual sería "bajista"... :)))
Sólo hace falta esta ecuación
F=1.00010409798*CLOSE(-1)^0.999631066509
Intentar añadir otro valor conduce a una matriz degenerada (singular).
El ajuste es muy bueno.
Variable dependiente: F
Método: Mínimos cuadrados del panel
Fecha: 30/11/12 Hora: 10:57
Muestra: 1 2652
Períodos incluidos: 23
Secciones transversales incluidas: 113
Total de observaciones del panel (no equilibrado): 2538
Convergencia alcanzada tras 1 iteración
F=C(1)*CLOSE(-1)^C(2)
Coeficiente Std. Error t-Statistic Prob.
C(1) 1,000104 0,000122 8222,019 0,0000
C(2) 0,999631 0,000511 1955,530 0,0000
R-cuadrado 0.999342 Var. media dependiente 1.266171
R-cuadrado ajustado 0.999342 S.D. var dependiente 0.029512
S.E. de regresión 0.000757 Criterio de información de Akaike -11.53332
Suma cuadrada del resid 0,001454 Criterio de Schwarz -11,52872
Log likelihood 14637.78 Criterio de Hannan-Quinn. -11.53165
Estadística de Durbin-Watson 1,951579
Variable dependiente: CLOSE
Método: Mínimos cuadrados del panel
Fecha: 30/11/12 Hora: 10:59
Muestra: 1 2652
Períodos incluidos: 23
Secciones transversales incluidas: 113
Total de observaciones del panel (no equilibrado): 2538
Convergencia alcanzada tras 2 iteraciones
CLOSE=C(1)*F(-1)^C(2)
Coeficiente Std. Error t-Statistic Prob.
C(1) 1.000222 0.000233 4283.747 0.0000
C(2) 0,999132 0,000981 1018,334 0,0000
R-cuadrado 0,997578 Var. media dependiente 1,266170
R-cuadrado ajustado 0.997577 S.D. var dependiente 0.029520
S.E. de regresión 0,001453 Criterio de información de Akaike -10,22961
Suma del residuo al cuadrado 0,005354 Criterio de Schwarz -10,22501
Log likelihood 12983.38 Criterio de Hannan-Quinn. -10.22794
Durbin-Watson stat 1.294442
Este es el gráfico
Vemos picos de alrededor de 100 pips. Pero un histograma muy decente, aunque no normal
Probabilidades = 14 pips.
Pero la elipse de confianza es deprimente: vemos una correlación extremadamente alta de nuestros coeficientes. Esta es la razón de la singularidad de la matriz cuando se añaden variables adicionales.
Yo me abstendría de utilizar la ecuación anterior
Abstenerse de sacar conclusiones precipitadas