Index de Hearst - page 25
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Obtention d'un curieux graphique récapitulatif des trois quantités mesurées :
Nous pouvons voir que les résultats réels, bien que par leur nature ils tendent à une inflexion après 1,8 - 1,9, peuvent être trop bien approximés par un graphique d'une marche aléatoire d'une valeur normalement distribuée. En même temps, le tracé de la rampe elle-même est pratiquement une ligne droite idéale sans coudes visibles (bon résultat). Par rapport au calcul de référence de Peters, la valeur de Hurst est sous-estimée d'environ 0,10 et s'élève à 0,68 dans son pic contre 0,78 pour Peters. Dans le même temps, le caractère de la pente des lignes après l'inflexion (moment de la perte de mémoire) est plus proche les unes des autres.
Pour le moment, les résultats sont encore trop différents de ceux annoncés par Peters et il est trop tôt pour parler d'une identification stable des séries non aléatoires par cet indicateur.
P.S. La difficulté réside également dans le fait que nous devons travailler avec de très petites valeurs. Des écarts insignifiants de quelques pourcents donnent des angles de pente très différents. Un demi-pas à gauche, un demi-pas à droite - et la série est déjà indiscernable de l'errance aléatoire.
P.S. Une autre difficulté est que vous devez travailler avec de très petites valeurs. De minuscules écarts de quelques pour cent donnent des angles de pente très différents. Un demi-pas à gauche, un demi-pas à droite - et la rangée est déjà indiscernable d'une errance aléatoire.
L'erreur et la justesse de l'application au marché de Hearst doivent être considérées.
Toute la conclusion commence par la formule bien connue d'Einstein pour le SB, selon laquelle la déviation moyenne d'une particule errante par rapport à l'origine augmente en proportion directe de la racine du temps. Si par tact de temps une particule se déplace de +1/-1, alors R=SQRT(N), où N représente le temps, ou le nombre d'incréments. Mais en fait nous avons rarement affaire à des processus avec deux incréments discrets +1 et -1 et il s'ensuit que dans le cas général R=sko*SQRT(N), ce qui a un sens si la distribution a sko=constant, c'est-à-dire si la distribution est stationnaire. Donc R/sko=N^0.5 pour une marche aléatoire. Ensuite, on substitue 0,5 à la variable et on la calcule par logarithme. Afin d'utiliser l'accroissement cumulé plutôt que l'accroissement moyen (parce que vous avez besoin de beaucoup plus de statistiques pour l'accroissement moyen), un facteur de correction empirique est également introduit. La valeur de l'indice de Hurst pour les données du marché est très discutable, car la distribution n'est pas stationnaire, elle change rapidement et dépend de ses valeurs précédentes. Il n'y a pas de base théorique pour la validité de l'utilisation de cet indicateur pour les données non stationnaires. C'est-à-dire qu'il peut être appliqué, mais on peut faire confiance aux résultats :)
Il y a toujours un problème d'erreur et de justesse d'application au marché de Hearst en général.
Toute la conclusion part de la formule bien connue d'Einstein pour le SB qui dit que l'écart moyen d'une particule errante par rapport à l'origine augmente en proportion directe de la racine du temps. Si par tact de temps une particule se déplace de +1/-1, alors R=SQRT(N), où N représente le temps, ou le nombre d'incréments. Mais en fait nous avons rarement affaire à des processus avec deux incréments discrets +1 et -1 et il s'ensuit que dans le cas général R=sko*SQRT(N), ce qui a un sens si la distribution a sko=constant, c'est-à-dire si la distribution est stationnaire. Donc R/sko=N^0.5 pour une marche aléatoire. Ensuite, on substitue 0,5 à la variable et on la calcule par logarithme. Afin d'utiliser l'accroissement cumulé plutôt que l'accroissement moyen (parce que vous avez besoin de beaucoup plus de statistiques pour l'accroissement moyen), un facteur de correction empirique est également introduit. La valeur de l'indice de Hurst pour les données du marché est très discutable, car la distribution n'est pas stationnaire, elle change rapidement et dépend de ses valeurs précédentes. Il n'y a pas de base théorique pour la validité de l'utilisation de cet indicateur pour les données non stationnaires. C'est-à-dire qu'on peut l'appliquer, mais on ne peut pas se fier aux résultats :)
La statistique de Hurst est conçue de telle manière que ni le type de distribution, ni sa non-stationnarité, ne peuvent la perturber. C'est du moins ce que dit Peters lui-même. Au contraire, elle permet de déterminer de manière fiable si la série étudiée est stationnaire ou non, si les incréments de celle-ci sont dépendants les uns des autres (effet mémoire), de calculer la longueur du cycle du processus étudié (je pense qu'il n'est pas nécessaire d'expliquer pourquoi) et de déterminer si la série est tendance ou contre-tendance. Un hic : il est extrêmement difficile de reproduire les résultats de Peters, et jusqu'à présent, je ne sais pas pourquoi c'est le cas. Quant au s.c.o. - il n'est là que pour normaliser l'écart, afin de pouvoir comparer des séries de différents systèmes non comparables.
Le fichier ne tient pas. Vous feriez mieux de le lire.
OLGA STANISLAVOVNA GULYAEVA
GESTION DU RISQUE DE CHANGE SUR LA BASE DE MÉTHODES FRACTALES D'ANALYSE DE PRÉDICTION DES TAUX DE CHANGE
Cherchez sur Google. C'est plus facile. Peut-être que quelqu'un fera un indicateur.
Le fichier ne tient pas. Vous feriez mieux de le lire.
OLGA STANISLAVOVNA GULYAEVA
GESTION DU RISQUE DE CHANGE SUR LA BASE DE MÉTHODES FRACTALES D'ANALYSE DE PRÉDICTION DES TAUX DE CHANGE
Cherchez sur Google. C'est plus facile. Peut-être que quelqu'un fera un indicateur.
Peut-être que quelqu'un va... Et, à mon avis, vous spammez l'achat non seulement d'une dissertation, mais aussi d'un abrégé (le chaos total) d'un auteur inconnu sur un sujet douteux.
Pendant un certain temps, j'ai dû me laisser distraire par d'autres préoccupations - ma fille avait 18 ans - je n'avais pas le temps pour les fractales ;))).
Mais un tel changement - c'est la première fois que je le remarque - a conduit à une vision claire du problème fractal, encore non résolu.
Eh bien, dès que j'aurai repris mes esprits, nous allons résoudre ce problème ;)
tara:
Вы спаммите покупку не только диссертации, но и автореферата (полный беспредел) никому не известного автора на сомнительную тему.
Vous devez apprendre à utiliser l'internet. Ensuite, lisez-le, puis tirez des conclusions. Pendant ce temps, vous fouillez dans les manuscrits de .....Newton.
Il y a toujours un problème d'erreur et de justesse d'application au marché de Hearst en général.
Toute la conclusion part de la formule bien connue d'Einstein pour le SB qui dit que l'écart moyen d'une particule errante par rapport à l'origine augmente en proportion directe de la racine du temps. Si par tact de temps une particule se déplace de +1/-1, alors R=SQRT(N), où N représente le temps, ou le nombre d'incréments. Mais en fait nous avons rarement affaire à des processus avec deux incréments discrets +1 et -1 et il s'ensuit que dans le cas général R=sko*SQRT(N), ce qui a un sens si la distribution a sko=constant, c'est-à-dire si la distribution est stationnaire. Donc R/sko=N^0.5 pour une marche aléatoire. Ensuite, on substitue 0,5 à la variable et on la calcule par logarithmes. Afin d'utiliser l'accroissement cumulé plutôt que l'accroissement moyen (parce que vous avez besoin de beaucoup plus de statistiques pour l'accroissement moyen), un facteur de correction empirique est également introduit. La valeur de l'indice de Hurst pour les données du marché est très discutable, car la distribution n'est pas stationnaire, elle change rapidement et dépend de ses valeurs précédentes. Il n'y a pas de base théorique pour la validité de l'utilisation de cet indicateur pour les données non stationnaires. C'est-à-dire qu'on peut l'appliquer, mais qu'on ne peut pas se fier aux résultats :)
J'ai longuement réfléchi à ce que vous avez dit - toutes ces remarques sont sérieuses et précieuses. Mais vous devez convenir que pour vérifier tout cela, il faut d'abord une méthodologie de calcul vérifiée, puis des expériences prouvant réellement les déclarations et les calculs théoriques. En outre, l'expérience permettra d'ajuster les méthodes de calcul et de les synchroniser avec les calculs théoriques (si tant est que cela soit possible). Ce n'est qu'après cela qu'il sera possible de juger de manière fiable si la méthode est adaptée à l'analyse de séries financières réelles. Je dois admettre que j'ai autant de doutes que vous. Mais la seule façon de répondre à toutes ces questions est de travailler sur le sujet.
Dans cette optique, je vais commencer par les bases, à savoir la formule d'Einstein pour SB R=SQRT(N) :
1.0 Je vais générer un pur SB normalement distribué +1/-1 sans aucun effet AR ou regroupement de volatilité.
1.2 Je vais tester l'hypothèse de R=SQRT(N). S'il y a des écarts, il s'agit très probablement de l'algorithme de génération du PRNG. Nous pouvons l'essayer avec des nombres provenant de random.org. L'essentiel est qu'à ce stade, le plus bas, nous devons disposer d'un SB super fiable et cohérent à 100 % avec la théorie.
1.3 Contrôle de Hearst sur le SB généré. C'est un moment spécial, très important. Ici, il devrait passer le SB, afin d'être autorisé à des formations plus complexes.
1.4 Génération de SB avec des distributions Paretto-Levy, basées sur la volatilité d'instruments réels. Théoriquement, Hurst devrait montrer la même chose que précédemment, sur une distribution normale. Si ce n'est pas le cas, nous devons analyser pourquoi cela se produit et si une enquête plus approfondie est utile.
1.5 Ajout d'effets AR au SB. Nous devons étudier attentivement comment les dépendances linéaires à court terme peuvent fausser (en théorie) les relevés des indicateurs, et comment tenir compte correctement de ces effets, etc.
1.6 En parallèle, j'aimerais développer le sujet cyclique et expérimenter des primitives artificielles comme y=Cos(x) et une fonction de Weierstrass plus complexe. Théoriquement, la statistique V devrait déterminer correctement la durée des cycles dans ces processus.
2.1 Si la première étape est passée, la méthode fractale peut être autorisée à travailler sur des séries financières réelles. À ce stade, nous serons déjà absolument sûrs de l'exactitude des méthodes qu'il fournit, et il sera donc possible d'interpréter correctement les résultats.
P.S. Il convient de noter que la plupart des indicateurs TA, tels que le RSI ou le MA, ne passeront pas même le tout premier test sur le SB. Le RSI, par exemple, montrera des zones de surachat et de survente, et la SMA changera de direction.
P.P.S. Je me demande si le temps pendant lequel le RSI sera dans la zone de surachat et de survente pour le SB sera approximativement égal au temps pour les séries financières réelles ou non ?
Pourtant, ce qui me fascine dans tout ce sujet, c'est que la statistique fractale est présentée comme une méthode fiable pour séparer l'ivraie (SB) des grains (marchés réels). À l'œil, les graphiques du SB et des marchés sont indiscernables, ils apparaissent tous dans l'analyse technique, et tous les indicateurs TA fonctionnent à la fois sur le SB et sur les marchés réels. Donc, si un modèle apparaît là où il ne peut pas apparaître a priori, cela peut-il signifier quelque chose ?
Le fichier ne tient pas. Vous feriez mieux de le lire.
OLGA STANISLAVOVNA GULYAEVA
GESTION DU RISQUE DE CHANGE SUR LA BASE DE MÉTHODES FRACTALES D'ANALYSE DE PRÉDICTION DES TAUX DE CHANGE
Google it . C'est plus facile. Peut-être que quelqu'un fera un indicateur.
Oui, j'ai vérifié. Il existe une méthode légèrement différente. Mais jusqu'à présent, je suis plus intéressé non pas par la façon de compter (cela est connu), mais par la représentativité des résultats et la façon de concilier théorie et pratique.