FR H-Volatilità - pagina 2
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Se puoi, per favore, spiega questi concetti in modo più dettagliato. Purtroppo non conosco la terminologia. Mi piacerebbe molto capire che tipo di BP state analizzando ? come si ottiene ? per capire cosa avete sul grafico qui.
Stiamo parlando del più comune Zig-Zag. Stiamo cercando di capire come l'altezza media delle pieghe a Zig-Zag sia in relazione con il passo di formazione. Il grafico mostra tutte le variazioni di altezza e la loro frequenza di occorrenza per un passo H=10 punti.
Ma a proposito, c'è un'altra relazione per il processo di Wiener che può essere usata come criterio di arbitrabilità. Poiché la distribuzione gaussiana ha una media esplicita e sko, abbiamo sko/mean = root(pi/2). E questo è anche vero per qualsiasi parametro di partizione H. È interessante controllare cosa abbiamo effettivamente, per esempio, per quella distribuzione nella tua foto.
Per le FR simmetriche è vero: sko=SQRT(Sum[(M-x)^2]/[n-1]), mean=Sum[(M-x)]/n), allora sko/mean != root(pi/2).
Spiega, cosa vuoi dire con questo?
Per quanto ho capito, nelle vostre formule M è solo la media, cioè il 1° momento centrale, e n è il numero di elementi di x. E queste sono formule per determinare il cumulo e la media su n elementi, cioè sul campione. E intendo i valori limite per l'intera sequenza normalmente distribuita {x}.
A proposito, mi sono sbagliato. Non mi riferivo alla media, ma alla media del modulo. Così, per la FR gaussiana, che si suppone descriva la distribuzione delle prime differenze del moto browniano unidimensionale, con M=0 e sko>0, l'integrale di |x| (cioè il modulo medio) è calcolato in forma analitica e = sko*root(2/pi). Quindi otteniamo questo rapporto.
Per un campione, naturalmente, le differenze sono possibili. Ma per numeri come 10^6 ticks, questa differenza non dovrebbe essere significativa. Soprattutto se le estremità di questo intervallo non sono molto distanti. Ma questo è solo se il processo è Wieneriano e descritto da una distribuzione normale.
A proposito, mi sono sbagliato. Non mi riferivo alla media, ma alla media del modulo. Così, per la FR gaussiana, che si suppone descriva la distribuzione delle prime differenze del moto browniano unidimensionale, con M=0 e sko>0, l'integrale di |x| (cioè il modulo medio) è calcolato in forma analitica e = sko*root(2/pi). Quindi otteniamo questo rapporto.
Per un campione, naturalmente, le differenze sono possibili. Ma per numeri come 10^6 ticks, questa differenza non dovrebbe essere significativa. Soprattutto se le estremità di questo intervallo non sono molto distanti. Ma questo è solo se il processo è Wieneriano e descritto da una distribuzione normale.
Ora tutto è corretto, anche per un campione che abbiamo: sko*root(2/pi). Ma il processo è lontano dall'avere una distribuzione normale:
e non è affatto Wieneriano (un correlogramma segno-variabile diverso da zero):
Ora tutto è corretto, anche per il campione che abbiamo: sko*root(2/pi). Ma il processo è lontano dalla distribuzione normale:
e certamente non quello di Wiener (un correlogramma segno-variabile diverso da zero):
Interessante, quindi per i tick EURJPY la relazione |x|=sco*root(2/pi) vale, ma la distribuzione è diversa dalla normale?
E come si fa a determinare se è normale o no? Sarebbe bello vedere allo stesso tempo la distribuzione normale sul grafico della FR.
Ma è chiaro cosa succede con la familiarità del carrelogramma. Se viene tracciata per i segmenti di uno zigzag (qualsiasi), allora è assolutamente chiaro che per i segmenti vicini (e tutti gli spostamenti dispari) la correlazione sarà negativa, ma per tutti gli spostamenti pari - positiva. Ma se la tracciate per le prime differenze di tick, allora, suppongo, il quadro sarà diverso.
Come si fa a determinare se è normale o no? Sarebbe bello vedere su un grafico FR allo stesso tempo una distribuzione normale.
Per favore:
Beh, lo fa quasi:
Per quanto riguarda la familiarità del carrelogramma, tutto è chiaro. Se è disegnato per i segmenti di uno zigzag (qualsiasi), è chiaro che per i segmenti vicini (e tutti gli spostamenti dispari) la correlazione sarà negativa, ma per tutti gli spostamenti pari - positiva. Ma se lo si costruisce per le prime differenze di tick, suppongo che il quadro sarà diverso.
Non capisco qui, Yura. Ho tracciato il correlogramma per le prime differenze di tick (Zig-Zag non c'entra nulla), mostrando la relazione del tick "attuale" con ciascuno, sempre più lontano. Posso mostrare la dipendenza del coefficiente di correlazione tra le prime differenze, formate da conteggi di n zecche in ciascuna:
C'è qualcosa che non mi sembra di capire. Su una scala logaritmica, la distribuzione normale dovrebbe apparire come una parabola rovesciata (cioè -x^2). In questa immagine sembra una relazione lineare (cioè -x) e nel post precedente sembra un'iperbole (cioè 1/x). Se non capisco qualcosa, correggetemi.
Ma se ho ragione, anche questa distribuzione non è normale.
Per quanto riguarda il correlogramma, lo capisco, ho fatto un errore. In effetti, un segno-varianza così chiaro è sorprendente. Anche se un significativo valore negativo per Lag=1 è chiaro. Già in quella discussione eravamo convinti di un ritorno di mercato essenziale, soprattutto a livello di tick. E, a proposito, per i tick ho ottenuto valori molto piccoli di Hvol, approssimativamente a 1,40-1,50. L'ultimo correlogramma mostra, come ho capito, che l'inversione di mercato persiste a tutti i livelli, ma tende asintoticamente a zero piuttosto rapidamente. Sei d'accordo?
La differenza tra 0,89 e 0,80, secondo me, non è grande, ma molto grande. È più del 10%. Ripensate alle differenze che si ottenevano per Hvol da due. Sono caduti principalmente nell'intervallo 1,95-2,05. Una differenza del 10% è 1,80 (che era solo per le zecche) o 2,20 (che non è mai stato osservato). Così, imho, la differenza dalla distribuzione normale questo rapporto mostra con successo. L'unica questione è fino a che punto la sua differenza da 0,80 in una direzione o nell'altra può essere usata come misura di persistenza-antipersistenza.
PS
Postato e poi ho visto che hai cambiato l'immagine e ha una parabola invertita. :-))
L'ultimo correlogramma mostra, come ho capito, che i rendimenti del mercato persistono a tutti i livelli, ma tendono asintoticamente a zero piuttosto rapidamente. Sei d'accordo?
Sono d'accordo! Vorrei solo che potessimo imparare ad usare efficacemente questa proprietà BP.
Così, imho, la differenza dalla distribuzione normale questo rapporto mostra con successo. L'unica questione è fino a che punto la sua differenza da 0,80 in una direzione o nell'altra può essere usata come misura di persistenza-antipersistenza.
Perché introdurre una nuova misura di coerenza-antipersistenza, visto che l'ACF fa un lavoro eccellente. O c'è qualcosa che non ci stai dicendo?
Sono d'accordo! Vorrei che potessimo imparare a usare efficacemente questa proprietà BP.
Perché introdurre una nuova misura di persistenza-antipersistenza quando l'ACF sta facendo un ottimo lavoro. O c'è qualcosa che non ci stai dicendo?
L'uso di questo caso è una domanda. Per tutta la semplicità della strategia di Shepherd e la sua apparente ovvietà, penso che ci siano delle insidie in essa che abbiamo superato.
Ho tracciato la distribuzione per le zecche e per alcuni zigzag in una scala logaritmica e ho ottenuto gli stessi risultati che hai fatto tu: per le zecche si ottiene una curva simile a un'iperbole, per gli zigzag - linee rette. Quindi non c'è odore di distribuzione normale qui. Mi chiedo perché le distribuzioni per i tick e gli zigzag (costruiti sui tick) sono principalmente diverse? Perché un tick è lo stesso zigzag, solo con il valore più piccolo del parametro H=1.
Non ho proposto di introdurre una nuova misura, ho semplicemente affermato che questa relazione può essere utilizzata come tale. In generale, sia in fisica che in matematica, qualsiasi problema può essere risolto in diversi modi. Allo stesso tempo, ci sono più modi, non meno ragionevoli, con cui lo stesso problema non può essere risolto. Così come la soluzione di un'equazione diphu è possibile in alcune coordinate e non in altre. Non ho nulla contro ACF, è solo che per me questo metodo non è così familiare come altri. Inoltre, in ACF devi impostare un Lag fisso, che sarà uguale al numero di tick o barre. Si tratta, per così dire, di una fissazione della finestra sull'asse delle ascisse. Ma se stiamo costruendo uno zigzag, ogni sigmento può contenere un numero assolutamente diverso di tick (barre). È già una fissazione di una finestra lungo l'asse delle ordinate, la cosiddetta modulazione delta. Questi due metodi differiscono fondamentalmente l'uno dall'altro.
Tuttavia, ognuno ha i suoi vantaggi e svantaggi. Tra i vantaggi dell'ACF, citerei la possibilità di tracciarla come una funzione continua e relativamente liscia. Questo non è possibile con il metodo zigzag. Forse ha senso usarli entrambi. Un po' come il principio di addizionalità della meccanica quantistica. :-)
Facciamo quanto segue. Calcolerò (Hvol-2) e il rapporto (sko/|x|-0. 80) per tutte le H da H=1 (tick zigzag) a H=50 per EURUSD tutti i tick del 2006 e per il modello normalmente distribuito serie di 2200000 conteggi, che abbiamo poi utilizzato per il confronto. E tu fai lo stesso per ACF. Confronteremo le immagini. Nel peggiore dei casi, vedremo che le varianti sono equivalenti. Al massimo, che sono reciprocamente complementari.
Forza!
Cosa dovrei costruire? - Un diagramma del foro per le partizioni Zig-Zag o Kagi per H=1...50. Che non siano la stessa cosa è evidente dalla foto. Lo zig-zag bianco su di esso è l'estremo proprio, e la linea spezzata blu-rossa è il Cagi-Partitioning:
È chiaro che il correlogramma per Zig-Zag è inutile da costruire - sarà sicuramente di segno variabile e tenderà a 1. Le costruzioni Kagi possono essere interessanti...
Allora dovrei fare lo stesso per un processo di Wiener con volatilità identica, o per una serie modello normalmente distribuita con lo stesso correlogramma di quella reale?
Mi dispiace di essere un peso. Non voglio fare la cosa sbagliata.
Cosa devo tracciare?
Sergey, guarda quello che ho fatto e capirai tutto.
Qui sotto ci sono i grafici della relazione Hvol e sko/|leg| con il parametro H zigzag tracciati per il EURUSD 2006 ticks. (1969732 ticks) e SV (2200000 ticks). Il calcolo viene eseguito per l'area di valori H=1 ... 50. In effetti è un kagi-partitioning. Per le barre possono non coincidere con uno zigzag, ma per le zecche dovrebbero. |leg| è un valore medio della lunghezza del segmento zigzag.
Per comodità, la differenza (Hvol - 2) e la differenza (sko/|leg| - root(pi/2)) sono tracciate in rosso per mostrare immediatamente la differenza dal valore Hvol=2 che la H-volatility dovrebbe assumere per il mercato non arbitraggista e la differenza dal valore 1,253314 che sko/|leg| dovrebbe assumere per la distribuzione normale.
Da questi grafici si possono vedere le seguenti cose.
1. Le Hvol per i dati reali e per il modello CB convergono entrambe a 2, ma da direzioni diverse. Per i dati di zecca e i piccoli valori di H la differenza da 2 è significativa. E infatti per piccoli intervalli i rendimenti del mercato sono significativi. Penso che questo sia il motivo per cui le strategie pips avrebbero una buona possibilità se non fosse per lo spread e il divieto del broker.
2. il rapporto sko/|leg| differirà dalla radice(pi/2)=1,253314 per quasi tutti i valori di H dei dati reali e delle serie del modello. L'unica eccezione è H=1 per il modello SV. Questo suggerisce che la partizione Kagi (penso anche la partizione Renko) ha una distribuzione diversa dalla distribuzione normale anche se la serie originale su cui si basa è distribuita normalmente. E se lo è, allora tutte le teorie e i modelli che si basano su una distribuzione normale sono deliberatamente difettosi.
3. Si scopre che per i dati reali il valore medio di un segmento a zig zag è molto più vicino al valore di sko che per le serie normalmente distribuite. Poiché lo sko è una misura della volatilità, e quindi del rischio, la rischiosità del gioco con i dati reali è minore che con i dati normalmente distribuiti. Forse è per questo che è ancora possibile vincere sul Forex?
Ma non è tutto. Seguendo la mia nerdaggine ho deciso di assicurarmi che la serie del modello sia effettivamente distribuita normalmente. E fu spiacevolmente sorpreso. Sergei, ecco la FR per l'euro e per quella gamma di modelli. Non importa come si gira una parabola invertita per i tick non funziona.
Ma per gli euro otteniamo esattamente le stesse curve che avete voi. Forse è perché hai cercato intenzionalmente di riprodurre le caratteristiche della serie reale in questa serie di modelli? In ogni caso, vorrei vedere come si comporterà l'edificio kagi e i suoi parametri e phd su CB normale. Io, per esempio, trovo molto strano vedere che le distribuzioni per i tick e per gli zigzag costruiti su questi tick sono fondamentalmente diverse tra loro.