Distribution des augmentations de prix - page 13
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 vous suggère à nouveau de commenter les incréments de tick montrés dans l'image qui vient d'être prise dans la fenêtre d'aperçu du marché (USDJPY) et dans la fenêtre d'ouverture du trade (EURUSD). Maintenant, du point de vue des trois hypothèses citées ci-dessus. Le compte est réel.
Ne voulez-vous pas analyser des groupes de changements consécutifs par un point dans les deux sens ? Quelle est leur fonction quantile ?
Bonjour Vladimir !
Je pense que le trading manuel sur des tick charts basés sur des données visuelles est un exercice futile. La fonction de distribution et la fonction quantile - voir t2-distribution Distribution de Student.
J'ai écrit à plusieurs reprises que vous devez analyser les données historiques avant d'analyser l'état actuel. Vous suivez une chaîne de Markov - en essayant de tout comprendre ici et maintenant. Étant donné que les écarts linéaires de la distribution de l'augmentation du prix dans un processus de Markov ont la densité de probabilité géométrique avec p=0,5, vous pouvez seulement dire ici et maintenant - le prix va monter ou descendre avec la probabilité 0,5. C'est exactement le jeu classique.
Je suis en train de modéliser le processus sur la base de 1.000.000 ticks historiques. C'est une image étonnante - je n'arrive pas à croire que le prix se comporte de la même manière près de certaines conditions limites. Bien sûr, il existe des écarts rares et apparemment inexplicables - cela signifie que les conditions limites doivent être choisies plus strictement. Pensez-y : cette distribution ne comporte que 99 % de valeurs autour de 7 sigma et ce 1 % donne du feu à tout le monde. Mais je pense que cela peut être géré aussi bien.
Respectueusement,
Alexander.
Tous les indicateurs de l'ensemble du terminal supposent que la formation des prix n'est pas morphique, c'est-à-dire que les développeurs du terminal (tout terminal avec des indicateurs techniques) sont déjà conscients de la présence/absence de morphalité.
Ilexiste une hypothèse théorique selon laquelle les marchés sont fractals, sur les petites TF on peut observer les mêmes processus que sur les grandes - cela n'a pas encore été argumenté, peut-être cela vaut-il la peine de le faire ? (humour) https://ru.wikipedia.org/wiki/Фрактальный_анализ_рынка . C'est-à-dire que quelqu'un y a déjà réfléchi et a prouvé la non-maltraitance de la formation des prix, au moins depuis l'apparition de l'analyse des chandeliers, lorsque le "tic" attendait une semaine ou un mois - au sens figuré, pas de carotte.
Bonsoir, chers traders et simples amateurs de statistiques !
Il y a longtemps que je ne vous ai pas fait profiter des résultats intéressants de mes études - maintenant je vais vous en faire profiter.
Ainsi, l'hypothèse théorique selon laquelle les marchés sont fractals et que l'on peut observer les mêmes processus sur les petites TF que sur les grandes peut être prouvée dans la pratique.
Ce n'était pas une tâche facile. J'avais besoin de trouver un certain paramètre statistique invariant qui ne changerait pas lorsque l'on augmente/diminue le volume de l'échantillon de données en ticks. Ce paramètre s'est avéré être coefficient d'asymétrie nonparamétrique (skew nonparamétrique). Peut-être y en a-t-il d'autres, mais cela suffit à le prouver.
Un tampon dynamique de données de tic-tac de type FIFO a été utilisé dans les calculs. EURJPY a été analysé sur l'ensemble des données générales de 1 500 000 cotations, c'est-à-dire qu'en fait, 1 500 000 échantillons séquentiels avec une différence d'une cotation ont été analysés. Nous avons reçu les résultats suivants pour la valeur moyenne de l'inclinaison prise modulo pour différents volumes d'échantillons.
0.186043748375457
0.18560474492056
0.184953481402386
0,184985234902438 etc.
En clair, pour toute taille d'échantillon de données tick, le coefficient d'asymétrie non paramétrique reste constant.
La conclusion est la suivante : en effet, les petites TF présentent les mêmes processus que les grandes, et un système de trading fonctionnant sur une TF fonctionnera sur l'autre et vice versa.
Mais ce qui est intéressant, c'est que nous obtenons une chose assez mystique - il s'avère qu'une certaine distribution avec un étrange coefficient moyen (j'insiste - moyen) non paramétrique d'asymétrie = 0,185 (modulo) "marche" sur le Forex. Je ne connais pas personnellement une telle distribution... Peut-être que quelqu'un peut m'aider à le déterminer ?
De manière simple, à différents moments, cette distribution est comme "née", "formée" et "meurt", et le processus recommence. À différents moments, cette distribution présente une asymétrie différente, mais en moyenne, cette distribution est asymétrique avec un coefficient = 0,185 et elle est invariante.
Tant que je ne comprends pas quel type de distribution c'est dans sa forme moyenne - il n'y a pas de raison de l'explorer davantage...
Respectueusement,
Alexander.
Alexander, vos observations sont intéressantes. Ce serait formidable si vous pouviez écrire un article sur les résultats de votre étude dans lesarticles du MQL5 sur l'analyse des données et les statistiques.
Alexander, vos observations sont intéressantes. Ce serait formidable si vous pouviez écrire un article sur les résultats de votre étude dans la section "Articles sur l'analyse des données et les statistiques dans MQL5".
Oui, merci. J'aime moi-même les résultats - c'est fascinant. C'est très beau.
Question méthodologique. Pourquoi ne pas procéder à l'élimination des valeurs aberrantes avant d'ajuster une allocation - détection des valeurs aberrantes ?
Et je n'ai pas le temps d'écrire un article - je travaille et je n'ai pas beaucoup de temps. Il s'avère que c'est comme un hobby. Peut-être que quelqu'un s'y intéressera et soutiendra, par exemple, une thèse de doctorat - je n'en suis pas désolé. Et peut-être que quelqu'un s'y intéressera et créera un super système de négociation - c'est bien aussi. Je suis encore très loin de la vraie programmation - laissez les gens l'utiliser.
Question méthodologique. Pourquoi ne pas effectuer un nettoyage des aberrations avant d'ajuster la distribution - détection des aberrations ?
Curieusement, mais pour la plupart des paires de devises, les distributions des incréments nets sans traitement sont des distributions t2, et seulement pour certaines d'entre elles, il y a une "sous-distribution" des ticks à zéro, c'est-à-dire que lorsqu'il y a eu des échanges et que les prix Ask et Bid sont restés les mêmes, alors aucun tick n'apparaît. Je ne sais pas pourquoi et je ne travaille pas avec de telles paires (comme AUDCHF).
Je n'ai pas dû poser la bonne question. J'ai téléchargé les tics que vous avez postés. Donc, si vous éliminez les valeurs aberrantes (très grandes et très petites valeurs dans l'échantillon), la distribution sera différente :-)
Je n'ai pas dû poser la bonne question. J'ai téléchargé les tics que vous avez postés. Ainsi, si vous débarrassez l'échantillon des valeurs aberrantes (valeurs très grandes et très petites dans l'échantillon), la distribution sera différente :-).
Mais vous ne devriez pas faire cela - alors vous n'obtiendrez pas non plus l'invariance de l'asymétrie. Et je dis - tout cela est très beau et comme si l'un découlait de l'autre, mais pour comprendre cette profondeur pour former une image générale, je ne peux pas encore.
Mais, hum, c'est la procédure standard. Pour savoir comment le système se comporte dans la plupart des cas et non dans les rares... Au fait, quel est l'intérêt de prendre toute la population ? Je pense qu'il faut travailler avec un échantillon.