FR H-Volatilità - pagina 9
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
Ho bisogno o di visualizzarlo in qualche modo per descrivere la logica del processo decisionale,
A volte aiuta visualizzare il diagramma di Voronov, basta capire cosa mettere sull'asse X e Y. Ecco un esempio con spiegazioni, qualcosa che sono riuscito a scovare su Internet.
Anche con un numero non molto grande di parametri, lo spazio di fase del sistema risulta essere troppo multidimensionale per la percezione umana. Se l'approccio è corretto e le stime scelte permettono di raggruppare lo spazio delle fasi, allora la posizione e la forma dei cluster possono avere una topologia molto complessa. O dobbiamo visualizzarlo in qualche modo per descrivere la logica decisionale, o introdurre ciecamente classi e criteri di appartenenza. NS è molto meglio in questo, così come le valutazioni probabilistiche (come possiamo vedere).
Se ho capito bene, il ricercatore ha bisogno di preparare in anticipo i dati di input per la NS per ottenere il "clustering dello spazio di fase". In questo caso l'NS assegnerà in modo indipendente aree "significative" nello spazio di fase multidimensionale (PS) dei parametri di input e delle loro combinazioni arbitrarie che ridurranno significativamente il volume del PS e, di conseguenza, il volume dei calcoli necessari. Giusto?
Ma quali sono le "valutazioni probabilistiche" che NS "gestisce molto meglio" non capisco.
A volte il diagramma di Voronov aiuta nella visualizzazione, ma bisogna capire cosa mettere sull'asse X e Y. Ecco un esempio con spiegazioni, qualcosa che sono riuscito a scovare sul web.
Correggetemi se mi sbaglio. Il diagramma di Voronov mostra il confine ottimale (in un certo senso) del partizionamento dello spazio su cui sono date le condizioni al contorno per una data classe di equazioni differenziali. Come si ricollega questo all'argomento in questione?
Neutrone
Mi dispiace davvero non ha nulla a che fare con H-volatilità FR, ha a che fare con NS, o meglio con la teoria del riconoscimento, un diagramma a volte aiuta a visualizzare le classi e come scomporle.
Ho visto la domanda e ho cercato di aiutare.
Se ho capito bene, il ricercatore deve prima preparare i dati di input per la NS per ottenere il "raggruppamento nello spazio delle fasi". In questo caso l'NS assegnerà indipendentemente delle aree "significative" in uno spazio di fase multidimensionale (PS) dei parametri di input e delle loro combinazioni arbitrarie che permetteranno di diminuire considerevolmente il volume del PS e, di conseguenza, il volume dei calcoli necessari. Giusto?
Ma quali sono le "stime probabilistiche" che il NS "gestisce molto meglio" non capisco.
Il clustering dei FP è un compito separato e viene eseguito da Kohonennet. Si tratta di una rete a uno strato, che nel processo di apprendimento (senza un insegnante! cioè autoapprendimento) esegue il clustering dei FP. Poi una funzione kernel è adattata a questi dati, che descrive la distribuzione dei cluster. Poi si costruisce una rete probabilistica, che (per quanto ho capito) nella versione più semplice non richiede nemmeno l'addestramento, ma semplicemente usando la statistica bayesiana considera la probabilità che il nuovo campione appartenga a un particolare cluster. L'output è il cluster vincente. Questo è solo uno schema semplificato il più possibile.
L'architettura del NS, il modo in cui vengono preparati i dati di input e l'algoritmo di apprendimento sono le tre chiavi di volta su cui si basa tutto. Come potete vedere, ognuno dei tre componenti coinvolge qualcosa di non formalizzabile. Per quanto ho capito, questo è ciò che il NS eredita dal suo creatore, che gli permette di funzionare con successo. E i numeri - pesi e parametri della funzione di attivazione - sono solo un'appendice. Tutti hanno una testa, ma alcuni pensano con quella e altri mangiano con quella. :-)
Grazie, Yura. Grande risposta!
Se non vi dispiace, faccio una domanda sull'applicabilità di NS. Per esempio, farò riferimento alle mie costruzioni arieti - Kagi. Abbiamo uno Zig-Zag generatore (linea blu) e una linea di transazione (rossa).
Segue dalla teoria (tesi di Pastukhov) che il comportamento della linea rossa è statisticamente prevedibile ed è probabile che sia a zig zag con l'ampiezza S=(H-volatilità-2)*H. Questo è il rendimento statistico medio della strategia su un campione rappresentativo. Sfortunatamente, il valore stimato è di solito più piccolo dello spread. E questo è tutto ciò che il metodo statistico dell'analisi delle serie temporali può darci in questo caso.
D'altra parte, abbiamo una Zig-Zag generatrice il cui ritorno (praticamente impossibile da realizzare) per un intervallo di tempo fisso, è il massimo possibile per un dato passo di partizione H, e il ritorno, per esempio con partizione H=spread, è il massimo possibile per qualsiasi BP. Vorrei poter mettere le mani su uno strumento capace di prevedere lo Zig-Zag! O, almeno, dimostrare la possibilità in linea di principio di tale previsione con un rendimento superiore a quello dato da statmethod (S).
Ho capito bene che il problema in questa formulazione è adatto all'analisi con NS?
P.S. Mi sembra che prevedere lo Zig-Zag equidistante (con un solo passo) sia l'opzione migliore. In secondo luogo, ci sbarazziamo della dimensionalità collegata alla scala temporale - non è necessario, perché trattiamo solo il cambiamento del prezzo, e l'intervallo di tempo, durante il quale questo cambiamento è avvenuto, in prima approssimazione non è incluso nella redditività.
Vorrei poter mettere le mani su uno strumento capace di prevedere lo Zig-Zag! O almeno dimostrare che è possibile in linea di principio fare tali previsioni con rendimenti superiori a quelli dati da Statmethod (S).
Ho capito bene che il problema in questa formulazione è adatto all'analisi con NS?
P.S. Mi sembra che prevedere lo Zig-Zag equidistante (con un solo passo) sia l'opzione migliore. In secondo luogo, ci sbarazziamo della dimensionalità connessa alla scala temporale - non è necessario, perché noi trattiamo solo il cambiamento del prezzo, e l'intervallo di tempo, durante il quale questo cambiamento è avvenuto, in prima approssimazione non è incluso nella redditività.
Teoricamente, naturalmente, è adatto. Ma praticamente ...
Le poche cose che ho letto sulle reti abbondano di consigli ai principianti: prevedere il comportamento dei prezzi è inefficace. Infatti, se ci pensate, come farà la rete a sapere improvvisamente come si muoverà il prezzo in futuro. Solo perché l'abbiamo riempito di molti neuroni e nutrito con molti dati? In questa materia sono un razionalista. Questa conoscenza non appare dal nulla e non nasce da sola. Ho scritto di tre balene per una ragione. Oltre a queste balene, la fonte da cui sono tratte è ancora più importante: l'intento dell'autore. E in questo concetto ci dovrebbe essere un'idea di quali dati e in quale forma possono contenere le informazioni essenziali sul mercato, come devono essere elaborati nella rete per ottenere altri numeri da cui si possa trarre una conclusione significativa per il processo decisionale e, infine, come insegnare alla rete a trovare questi numeri.
Da questo punto di vista, imho, il problema in questa formulazione, anche se adatto alla rete, è complicato e ha poca prospettiva. Poiché i tick e lo zigzag costruito su di essi hanno distribuzioni abbastanza simili e non è più facile prevedere lo zigzag che il prezzo.
Mi sembra che lo ZigZag sia davvero interessante da usare come input di rete, ma come la forma più conveniente di rappresentazione dei modelli di prezzo. Proprio quei modelli, il link al sito che mi hai dato, potrebbe essere un'opzione molto interessante. Ma in questo caso la rete non predice il prezzo ma determina lo stato del mercato. Questo è un approccio leggermente diverso. Per NS dare un output statistico in alto o in basso è un compito molto più realistico che prevedere il movimento. Ma questa variante si combina bene con ZigZag. Quindi ci sono prospettive, dobbiamo solo fare l'enunciazione del problema in modo tale che sia risolvibile.
Grazie, Yura, per le lucide spiegazioni - ora la mia testa è un po' più chiara.
A proposito, ero così sicuro che la linea di transazione FR (quella rossa nell'immagine precedente) ha una distribuzione normale, che non volevo nemmeno studiare questo punto. Qual è stata la mia sorpresa quando ho visto QUESTO:
D'accordo, un risultato inaspettato... Confrontalo con la foto nel primo post di questo thread. Lì, la FR per i lati dello Zig-Zag è data.
Sì, è un'immagine interessante. Se ho capito bene, è per il cagi-partitioning con parametro H=10? Ma una certa connessione con l'immagine del primo post è ancora evidente.
A proposito, mi è venuto in mente un pensiero. Penso che, nonostante tutto, avevi ragione sulle prospettive di usare NS per prevedere lo ZigZag. Solo che non dovrebbe essere un kagi, ma un renko-building. In questo caso una formalizzazione più o meno chiara dei modelli di ZigZag è effettivamente possibile, e quindi il raggruppamento dello spazio di questi modelli, e la previsione delle dimensioni dei segmenti insieme alla valutazione statistica della validità di questa previsione. Mi interessa la sua valutazione di questo pensiero. Il punto principale è la differenza tra kaga e renko. Per renko mi è chiaro come i modelli possono essere formalizzati e quindi come confrontarli tra loro e come valutare la loro vicinanza. Per kaga l'immagine è molto sfocata e quindi la stessa procedura potrebbe non funzionare.
D'altra parte, so a priori che ciò che è vero per kaga sarà vero anche per renko. Non sono sicuro del contrario, però. Se è vero anche il contrario, allora il mio pregiudizio verso il renko è una fallacia e NS può essere applicato altrettanto bene per prevedere la dimensione del segmento di qualsiasi ZigZag, sia renko che kaga.
Cosa ne pensi?
Da un lato, le costruzioni Kagi determinano la posizione dell'estremo BP con una precisione al punto (Renko al passo di partizionamento H). D'altra parte, non è chiaro se abbiamo bisogno di tale precisione? In questo senso Renko sembra più attraente a causa del passo equidistante H sulla scala dei prezzi. In breve, la questione deve essere indagata.
Per quanto riguarda la formalizzazione del compito di previsione Zig-Zag, mi appare come una stima di una probabile ampiezza di movimento U del prezzo (vettore rosso) dal punto di fine formazione dell'estremo attuale t=0, al punto di estremo atteso t=1 (vedi Fig. ).
In questa impostazione l'unica cosa da prevedere è l'ampiezza del movimento del vettore U, perché la sua direzione è predefinita - coincide con la direzione del vettore H (freccia solida verde). L'intervallo, che il vettore U può ricevere, si trova nell'intervallo da 0 punti a infinito (vedi fig. a destra). Il valore più probabile dell'ampiezza che prende il vettore U è di 2 punti e il suo valore medio è un po' meno di N. A proposito, se un valore probabile fosse più grande dello spread, potremmo considerare questa strategia positivamente redditizia. Sto parlando della possibile applicazione di FR per l'analisi di arbitraggio BP.
Naturalmente, all'uscita di NS dobbiamo applicare uno Zig-Zag, ma cosa applicare all'ingresso... anche uno Zig-Zag spostato di un passo? Ma non c'è bisogno di NS per analizzare questa situazione! Penso che il nostro compito sia quello di rilevare precocemente l'arbitraggio incipiente (vedi figura). Per fare questo, dobbiamo già analizzare la familiarità della linea di transazione. Solo che il guaio è che di solito consiste in 1-2 più raramente 3 pieghe e al momento dell'identificazione il mercato diventa efficiente. Forse ci sono alcuni segni indiretti dell'origine dell'arbitraggio, allora il compito della loro individuazione precoce, classificazione e costante modernizzazione spetta solo a NS.
Cosa ne pensate?
Ho letto su internet:
Что лучше, статистические методы или нейронные сети? Лучшим ответом на этот сугубо практический для прикладника вопрос является “It depends”. По-русски это означает “Все зависит от ситуации”.
La principale conclusione pratica che si può trarre si riduce alla frase, che è già diventata un aforisma: "Se niente aiuta, prova le reti neurali".