![MQL5 - Lenguaje de estrategias comerciales para el terminal de cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
Puede ser dentro de un par de años como mínimo. Será más útil para el foro. Pensarán más.
Lo siento. No me importan en absoluto tus arrogantes especulaciones de alta matemática.
La correlación (lineal ) de Pearson en el contexto de las citas probablemente se ha dicho todo el tiempo. Es inútil, de qué más se puede hablar.
Sólo las correlaciones no lineales pueden tener un interés práctico real, pero aquí nadie habla de ellas. Porque son demasiado complicados e inexplorados. Esto es teoría de la información, chi-cuadrado y otras incomprensiones para la gran mayoría.
El tema ya se planteó antes, pero se redujo sin más a la agrupación de la volatilidad, es decir, al (G)ARCH. Esto no es ni mucho menos todo, hay algo más. Tal vez las semi-invariantes ayuden aquí, y tal vez algo más.
P.D. Vuelve cuando quieras, Alexey. Aunque diga muchas tonterías, estimula el cerebro.
Sin ánimo de ofender, no se trata de la herramienta en absoluto, sino de cómo se utiliza.
No me ofende. Es que siempre da miedo, de verdad, que haya un profesional que desentierre algo y meta las narices, con razón. :)
Para qué discutir sobre quién es más guay, la explicación es bastante sencilla: la señal original es un segmento de una onda sinusoidal en una ventana rectangular, su ACF es también un segmento de una onda sinusoidal, pero en una ventana triangular, es decir, exactamente lo que vemos en la segunda figura. Esto se puede comprobar mediante cálculos elementales. Si tomamos una sinusoide no limitada en el tiempo, su ACF será la misma sinusoide. Conclusión 1: El cálculo del mathdeck es correcto. Conclusión 2: si calculamos de esta manera la ACF de muestreo (y no la ACF real, que nunca conoceremos) de la señal real, debemos recordar que el cálculo se realiza en la ventana, y por tanto el resultado siempre está distorsionado.
Con todo el respeto, la ACF se define como la dependencia de la ACF de la distancia entre las muestras, por lo que la diferencia no es tan fundamental. Y la propia fórmula clásica (que, como se ha señalado acertadamente más arriba, implica al menos la estacionariedad del proceso en sentido estricto, además de su ergodicidad) lo confirma.
Esto es bonito y más correcto. La diferencia está en qué se compara con qué. Al calcular el ACF se comparan dos conjuntos de datos diferentes. Al calcular el ACF en el primer paso, la matriz se compara consigo misma (por eso en ACF cero = 1, las matrices son completamente iguales). En el segundo paso, la matriz se desplaza a lo largo del eje temporal y se compara con la inicial, y así sucesivamente, hasta que ya no tiene sentido desplazarla, la matriz ha ido más allá del primer ACF=0.
La ACF se define como la dependencia del CC de la distancia entre las muestras, por lo que la diferencia no es tan fundamental.
Yo diría que la ACF es una función del desplazamiento de la matriz (tau) con respecto a la primera, no una función de la distancia entre las muestras (distancia entre las muestras, normalmente una constante).
La cuestión es otra. He dado una fórmula, he hecho un indicador y lo he puesto en codebase. Pero dicen que no está calculado correctamente, que hay que "ponerlo en orden", que hay un cálculo más correcto... que tiene propiedades de robustez, no paramétricas...
Te pido que me digas en qué se equivoca, cuál es la diferencia. mostrar una mejor, correcta.... es sólo una fórmula, la tomas y la calculas como MA. Pero cómo se utilizan estos resultados y cálculos... Tienes que entender para qué estás calculando.
En mi mensaje personal (y en el foro) han escrito muchas cosas, como que soy un imbécil, que mi indicador es tonto, que soy tonto, que no sé matemáticas y que no sé programar, el indicador siempre muestra uno en la barra 0, es imposible operar con él.... ¿qué debo decirles? Quiero llorar de analfabetismo... ni siquiera tienes un enfoque académico para el análisis ... todo el mundo está interesado en cuándo apretar el botón y qué botón...
l indicador siempre muestra uno en la barra 0, es imposible operar con él..... ¿qué debo decirles? Me hace llorar de analfabetismo... ni siquiera tienes un enfoque académico para el análisis... todo el mundo quiere saber cuándo apretar el botón y qué botón apretar...
La gente que entiende el ACF no lo sacará de la kodobase, porque el ACF (a) debe ir acompañado de información adicional, (b) en sí mismo no tiene ningún valor especial, porque hay que utilizarlo con otros instrumentos, que no están en la kodobase. Por lo tanto, al colocarlo en el kodobase, lo ha destinado precisamente a los ciudadanos de pico abierto, futuros multimillonarios.
En cuanto al enfoque académico, se equivoca. En este foro hay gente así y son bastantes. Y no se puede salir de un error sistemático del primer tipo: resolver un problema equivocado con los métodos correctos. Y no aceptan las críticas de estas personas que lo entienden.
Perdona que sea tan brusco.
1. No es mi fórmula. No me lo atribuyas a mí. Lo saqué de los libros de texto y de los paquetes de matemáticas. No me lo he inventado. Es exactamente lo mismo en la wiki. La fórmula coincide al 100%. ¿Qué hay que limpiar?
2. La foto que citaste era la mía, donde mostréa hrenfx cuáles eran las diferencias.
3. Sí, así es exactamente como resulta y me gustaría señalar que no me pasa a mí. Y MathCAd, añade MathLab aquí y resulta exactamente igual, porque lcorr(Y,Y) es una función incorporada en matcad, no la he programado ni inventado... (Cualquiera que conozca Mathcad puede ir a comprobarlo) ¿Crees sinceramente que estos dos paquetes matemáticos no calculan correctamente el ACF?
4. dame la fórmula. Realmente quiero ver una solución robusta y también no paramétrica...
1. Sí. Sí, vas a dejar el foro aquí, como viene......
Como dice la diputada de la Duma Estatal Maria Kozhevnikova: "¡Esto es una mierda!".
Privalov, la autocorrelación es una cantidad adimensional que muestra las JODIDAS CARACTERÍSTICAS de una función respecto a sí misma. La autocorrelación de una función periódica es también una función periódica.
La autocorrelación de un seno es COSINUS. La autocorrelación del coseno es COSINUS.
http://sfprime.net/lls/pcs.htm
La autocorrelación de una onda sinusoidal es una forma de onda coseno [REF10].
10. Applied Fourier Analysis, Harcourt Brace College Outline Series, Hwei P. Hsu, Harcourt Brace College Publishers, Nueva York (1984). ISBN 0-15-60169-5.
Puedo darle una docena de referencias más. ¿Necesitas uno?
Y según tú (y Mathworks) resulta que un trozo de seno a 0 es como un trozo de seno a 200 MIL VECES MÁS que un trozo del mismo seno a 200.000, ¿no?Privalov, este es el séptimo u octavo grado de la escuela secundaria.
La fórmula de la wikipedia NO es la misma, simplemente está normalizada allí (n-k) para que para diferentes rezagos se obtengan números comparables. Entonces en Wiki hay UNA media de mu-pequeños, mientras que en tu fórmula hay muchos, muchos mu-pequeños, y todos indexados de alguna manera. ¿Qué es?
2. Lo has entendido mal.
3. Sí, son idiotas. Un grupo de físicos con poco éxito que no llegaron a ser físicos, así que decidieron escribir el software de mathWorks en Fortran.
Aquí hay un enlace en el que el personal de mathWorks, cuando se le pregunta por qué su ACF se vierte, es decir, se desvanece, dice que se produce EN WINDOW y, por lo tanto, cuanto más largo es el período de prueba de ACF, menos muestras quedan y, por lo tanto, su ACF siempre se desvanece.
http://www.mathworks.co.uk/matlabcentral/answers/36882
-------------------------------------------------------------------
2 comentarios
Muchas gracias por su aportación, señor. El resultado es el que esperaba.
Pero tengo una última pregunta: ¿por qué la función de autocorrelación se aplana al principio y al final del periodo?
Porque la suma implica necesariamente cada vez menos términos a medida que aumenta el desfase. Piensa en desplazar un vector de longitud finita respecto a sí mismo, cuanto mayor sea el desplazamiento, menor será el solapamiento y por tanto menos productos habrá en la suma.
-------------------------------------------------------------------
Privalov, deja de rezarle a MATLAB, te sacará de algunos conceptos erróneos. ¿Por qué demonios debería creer ciegamente a un grupo de físicos desconocidos para mí, sin nombre, que escribieron este behemoth chirriante?
4. ¿Por qué, te da pereza? Aquí hay un enlace a la sección rusa de Wikipedia:
https://ru.wikipedia.org/wiki/%D0%9A%D0%BE%D1%80%D1%80%D0%B5%D0%BB%D1%8F%D1%86%D0%B8%D1%8F
Esto, Privalov, es correlación. Aquí se calcula de forma no paramétrica. Se puede calcular la autocorrelación de la misma manera si la SEGUNDA función es la PRIMERA, sólo que con un desplazamiento. Todos los métodos conocidos de cálculo de la correlación, de los que hay docenas, se aplican también a la autocorrelación, ya que ésta no es más que un caso especial de la correlación.
Mierda, colegas, pues dejadme salir de este foro - para trabajar por mi cuenta, por favor no seáis estúpidos. Este protagonismo en igualdad de condiciones me aburre. De acuerdo, si fuera algo complicado, pero es elemental. Aunque, .... Si MathWorks ha sido tonto durante tantos años, qué se puede pedir al resto.
Es extraño oírte decir eso. ¿De verdad crees que la clasificación no tiene en cuenta de ninguna manera los valores absolutos?
El principal requisito de los métodos no paramétricos es la solidez ante el "ruido" y las distribuciones (especialmente las colas gruesas). Esto puede lograrse a expensas de la precisión, que a menudo es esquiva y engañosa.
¿Cuál es el problema con Matcad? Cuenta lo que se le da como entrada. En este caso, se desplazan dos muestras de 1000 puntos cada una - por supuesto, con un desplazamiento completo, los datos no se superponen, no habrá nada que comparar.
Continúe con la primera muestra hasta los 2000 puntos, y no habrá desvanecimiento.