![MQL5 - Langage des stratégies de trading intégré au terminal client MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
car le résidu stationnaire peut être remplacé par une constante égale à n'importe laquelle des valeurs : moyenne, skew, variance, spread - tout et n'importe quoi est possible en cas de stationnarité.
Sont-ils des constantes ?
Sont-ils des constantes ?
Pour une raison quelconque, il me semble ces derniers temps que la stationnarité ne se trouve pas là, c'est-à-dire pas directement dans les résidus de la régression sur la série de citations, mais dans autre chose.
Mais il faut la trouver dans tous les cas. Sinon, l'application des statistiques est condamnée.
Je parle de la méthodologie (que je n'ai pas inventée) de construction de modèles : le quotient initial non stationnaire doit être décomposé en composantes jusqu'à obtenir un résidu stationnaire. Pour moi, cette exigence est bien comprise au niveau intuitif (ce qui est très important), car le résidu stationnaire peut être remplacé par une constante égale à n'importe laquelle des valeurs : moyenne, skew, dispersion, spread - tout et n'importe quoi est possible dans le cas de la stationnarité.
Pour une raison quelconque, il me semble ces derniers temps que la stationnarité ne se trouve pas là, c'est-à-dire pas directement dans les résidus de la régression sur la série de citations, mais dans autre chose.
Mais il faut la trouver dans tous les cas. Sinon, l'application des statistiques est condamnée.
Toute la question est de savoir avec quelle période ou rétrospective il faut prendre cette station, à votre avis, résiduelle. Si vous changez la rétrospective, les caractéristiques du résidu stationnaire changeront également, comment essayez-vous de résoudre cette question ? En l'optimisant ?
Une question extrêmement désagréable. Le modèle original : quotier = tendance + bruit + saisonnalité + périodicité + valeurs aberrantes.
Nous discutons des deux premiers membres du modèle. Il n'y a pas de saisonnalité dans le Forex. Eh bien, les valeurs aberrantes (nouvelles) sont négligées, mais la périodicité, par laquelle j'entends la présence d'une vague en quotire, dont la période change. Depuis très longtemps, je considère cette périodicité comme la principale source de non-stationnarité. Je n'ai pas d'approche en la matière.
Je le résous très simplement. Je prends un modèle avec un petit nombre de décalages. Évaluation du coefficient de régression. Je fais une prévision à une étape dans l'espoir( ?) que les coefficients de régression ne changeront pas d'au moins une étape. Et en plus des coefficients, il existe un ensemble de propriétés de régression (voir le tableau ci-dessus). A l'arrivée de la barre, nous allons à nouveau estimer la régression - ici le terme très à la mode d'adaptation est approprié.
C'est vrai, ce résidu dépend du recul en question ; c'est là que le chien est enterré. La rétrospective optimale est difficile à trouver.
Une question extrêmement désagréable. Le modèle original : quotient = tendance + bruit + saisonnalité + périodicité + valeurs aberrantes.
Nous discutons des deux premiers termes du modèle. Eh bien, les valeurs aberrantes négligées (nouvelles), mais la périodicité, par laquelle j'entends la présence d'une onde dans un quotient, dont la période change. Depuis très longtemps, je considère cette périodicité comme la principale source de non-stationnarité. Je n'ai pas d'approche en la matière.
Je le résous très simplement. Je prends un modèle avec un petit nombre de décalages. Évaluation du coefficient de régression. Je fais une prévision à une étape dans l'espoir( ?) que les coefficients de régression ne changeront pas d'au moins une étape. Et en plus des coefficients, il existe un ensemble de propriétés de régression (voir le tableau ci-dessus). Lorsque le bar arrive, la régression s'estime à nouveau - ici le mot très à la mode d'adaptation est approprié.
Décomposons ce modèle :
1) Tendance - de quelle tendance parlons-nous, car il y en a beaucoup ;
2) Le bruit - il dépend des paramètres de la tendance en question et souvent le bruit lui-même a une tendance ;
3. La périodicité - sinus est inévitable, mais il faut garder à l'esprit que deux fonctions Gamma consécutives donnent également un sinus presque idéal de pleine période, ce qui signifie que ce n'est pas encore clair ;
4. Les émissions sont imprévisibles, mais on peut apparemment délimiter un couloir.
Décomposons ce modèle :
1. tendance - de quelle tendance parle-t-on, car il y en a beaucoup ;
2) Le bruit - il dépend des paramètres de la tendance en question et souvent le bruit lui-même a une tendance ;
3. Périodicité - un sinus est inévitable, mais il faut garder à l'esprit que deux fonctions Gamma consécutives donnent également un sinus presque idéal de pleine période, ce qui signifie qu'il n'est pas encore clair ;
4. Les valeurs aberrantes sont imprévisibles, mais il semble qu'un couloir puisse être délimité.
pourquoi tout cela...si vous ne pouvez même pas prédire la "tendance" ))))