Obtention d'une BP stationnaire à partir d'une BP de prix - page 2
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
Je me demande si quelqu'un a déjà été confronté au bruit blanc dans les conversions de prix ?
Sur le doji.Fanfaronnade de nerd. Votre propre cerveau ne vous permet-il pas de vous rendre compte que tout ce qui figure dans le lien que vous avez cité est absurde ?
Lisez la suite, et je cite : "Limitations. Rappelons que le modèle ARPSS ne convient qu'aux séries qui sont stationnaires (la moyenne, la variance et l'autocorrélation sont approximativement constantes dans le temps) ; pour les séries non stationnaires, il faut prendre les différences. Il est recommandé d'avoir au moins 50 observations dans le fichier de données source. On suppose également que les paramètres du modèle sont constants, c'est-à-dire qu'ils ne changent pas dans le temps. "(Je ne veux pas discuter du chiffre de 50 observations, car il est clair, même pour un idiot sur ce forum, que 50 transactions ne sont pas un résultat).
Supposons que nous ayons une série non stationnaire, nous avons pris les résidus - delta(x). Les résidus eux-mêmes, tels qu'ils sont suggérés dans ce "travail" intello, devraient répondre aux exigences, et je cite : "ne contenant que du bruit sans composantes systématiques".
Fais chier. Qu'il y ait du bruit. Le bruit lui-même n'est en aucun cas prévisible. Il est donc inutile de faire des approximations. Mais il a la propriété, et je cite : "Les résidus doivent être normalement distribués et avoir MO=0."
Par conséquent, au lieu du bruit, nous prenons son MO=0.
Substituez-le dans la prévision : forecast(time + i + j) = price_appr(time + i + j) + delta_appr(time + i + j) = price_appr(time + i + j) + 0 = price_appr(time + i + j)
Ainsi, la prévision sur le bruit est la première approximation : prix_appr(x). Et la première approximation, comme je l'ai dit dans le troisième message de ce fil, est un ajustement nu. Le résultat est :
Prédiction botanique = ajustement
Qu'est-ce que c'est que cette agitation ? Prenez ZigZaz et basta, cette queue qui remue - attendez qu'elle arrête de remuer. Et sérieusement : ce nouveau modèle de série stationnaire peut représenter le modèle original non stationnaire. Lorsqu'ils discutent de l'ARPSS, ils discutent également des intervalles de confiance entre le BP original et son modèle. Je ne peux pas dire où sont les botanistes et les zoologistes.
Je me demande si quelqu'un a déjà eu à obtenir un bruit blanc dans les conversions de prix ?
Dans sa forme pure, personne. Le bruit blanc a des amplitudes égales dans toutes les harmoniques de 0 à l'infini. On ne la trouve pas dans la nature à l'état pur, car il n'existe pas de conditions acoustiques idéales dans lesquelles les harmoniques ne peuvent pas s'exprimer.
Pour vérifier la présence d'un bruit blanc, vous pouvez prendre les N premières harmoniques et comparer leurs amplitudes. Si elles sont à peu près les mêmes, alors la BP est bruyante.
Ограничения. Следует напомнить, что модель АРПСС является подходящей только для рядов, которые являются стационарными (среднее, дисперсия и автокорреляция примерно постоянны во времени); для нестационарных рядов следует брать разности. Рекомендуется иметь, как минимум, 50 наблюдений в файле исходных данных. Также предполагается, что параметры модели постоянны, т.е. не меняются во времени.
L'auteur de l'article a écrit des absurdités, car le modèle mentionné, et les modèles géniteurs, peuvent parfaitement être utilisés pour des séries non stationnaires (les coefficients seront simplement non stationnaires). Les erreurs de prédiction significatives se situent ailleurs - dans une inadéquation significative entre la distribution de la source et le modèle utilisé. En d'autres termes, la condition nécessaire est que les distributions de l'ARPSS et de la série de prix coïncident, ce qui n'est évidemment pas le cas dans la nature.
PS : à propos, il y a un problème, la sélection des citations ne fonctionne pas Hmmm, la sélection des citations fonctionne, mais séparément de la sélection du texte (IE7),
Fanfaronnade de nerd. Votre propre cerveau ne vous permet-il pas de vous rendre compte que tout ce qui figure dans le lien que vous avez cité est absurde ?
Lisez la suite, et je cite : "Limitations. Rappelons que le modèle ARPSS ne convient qu'aux séries qui sont stationnaires (la moyenne, la variance et l'autocorrélation sont approximativement constantes dans le temps) ; pour les séries non stationnaires, il faut prendre les différences. Il est recommandé d'avoir au moins 50 observations dans le fichier de données source. On suppose également que les paramètres du modèle sont constants, c'est-à-dire qu'ils ne changent pas dans le temps. "(Je ne veux pas discuter du chiffre de 50 observations, car il est clair, même pour un idiot sur ce forum, que 50 transactions ne sont pas un résultat).
Supposons que nous ayons une série non stationnaire, nous avons pris les résidus - delta(x). Les résidus eux-mêmes, tels qu'ils sont suggérés dans ce "travail" intello, devraient répondre aux exigences, et je cite : "ne contenant que du bruit sans composantes systématiques".
Fais chier. Qu'il y ait du bruit. Le bruit lui-même ne peut être prédit d'aucune manière. Il est donc inutile de faire des approximations. Mais il a la propriété, et je cite : "Les résidus doivent être normalement distribués et avoir MO=0."
Par conséquent, au lieu du bruit, nous prenons son MO=0.
Substituez-le dans la prévision : forecast(time + i + j) = price_appr(time + i + j) + delta_appr(time + i + j) = price_appr(time + i + j) + 0 = price_appr(time + i + j)
Ainsi, la prévision sur le bruit est la première approximation : prix_appr(x). Et la première approximation, comme je l'ai dit dans le troisième message de ce fil, est un ajustement nu. Le résultat est :
Prédiction botanique = ajustement.
Il s'agit d'un test de l'adéquation du modèle de prédiction. Les résidus peuvent être pris non seulement au premier ordre. C'est-à-dire delta2(temps + i) = Open [temps + i] - forecast(temps + i). La méthode dit seulement que le modèle de prédiction est adéquat. Dans votre cas, le modèle de prédiction est la prévision. I.e.
"4. Vérification de delta(x) pour le bruit blanc. Si c'est bruyant, c'est la déception de la grand-mère. Si ça ne fait pas de bruit, continuez."
ce n'est pas "bum bum", c'est le contraire - le modèle de prédiction est bon. Les résidus n'ont pas de composante systématique, sont indépendants. Tant que ce n'est pas le cas, vous pouvez construire des modèles extrapolant les résidus à l'infini. C'est un critère d'arrêt que nous sommes arrivés à ce que nous cherchons.
C'est difficile de le découvrir soi-même ? ;)
Et pour vérifier le bruit blanc, vous pouvez prendre les N premières harmoniques et comparer leurs amplitudes. Si elles sont à peu près les mêmes, alors la BP est bruyante.
Ne préférez-vous pas calculer l'ACF ?
Il s'agit d'un test de l'adéquation du modèle de prédiction. Les résidus peuvent être pris non seulement au premier ordre. C'est-à-dire delta2(temps + i) = Open [temps + i] - forecast(temps + i).
Encore une fois, c'est une absurdité.
Par conséquent, nous obtenons : delta2(x) = delta(x), car, forecast(x) = price_appr(x).
Ça ne peut pas être si difficile pour toi de le découvrir ?
Ne serait-il pas préférable de calculer l'ACF ?
Pourquoi ne faisons-nous pas attention à la queue dans ZZ ? C'est une prédiction, c'est sûr. Et vous devez encore prouver que vous l'avez.
Encore une fois, c'est une absurdité.
Le résultat est : delta2(x) = delta(x), car, forecast(x) = price_appr(x).
C'est si difficile de le découvrir soi-même ?
Réfléchissez un peu plus :) Ce n'est pas parce que le MO d'une variable aléatoire = 0 que le CB lui-même peut être remplacé par zéro, comme vous le faites habilement :) :)