Ottenere una BP stazionaria da una BP di prezzo - pagina 7
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
Così ..... ? E allora? La densità di potenza spettrale non è necessaria per i commercianti perché non permette di prevedere (sintetizzare) la forma del segnale per il futuro.
Non necessariamente - una previsione di inversione è sufficiente per il trading di tendenza
Questa è solo la tua *assunzione* dal regno dei miti. Non puoi nemmeno mostrare come lo faresti (prevedere un'inversione) con la sola densità di potenza spettrale.
Come sappiamo, i BP stazionari sono prevedibili se non sono rumore bianco.
C'è quindi una richiesta urgente di convertire i BP di prezzi non stazionari in stazionari, ma con la possibilità di conversione inversa.
La variante più primitiva. Approssimare il prezzo VR. Estrapolare. La differenza tra la BP estrapolata e la BP reale è anch'essa una BP, ma stazionaria. Chiamiamo questo nuovo BP sintetico.
Estrapolare la BP sintetica. Riassumiamo il tutto con l'estrapolazione del prezzo VR. Se il BP sintetico non è rumore bianco, l'output è una previsione - il risultato della somma delle due estrapolazioni.
Ero troppo pigro per leggere tutti i post qui. Quindi farò una domanda che forse è già stata fatta prima di me. Qual è il criterio di approssimazione? Qual è la deviazione standard minima dell'intervallo in esame? E come si sceglie la lunghezza del modello?
Per capire dove sto andando con le mie domande, prendete il modello AR come esempio. Per adattarlo, partiziona i dati passati in campioni di allenamento, cioè ingressi e uscite. Adattare il modello a quei dati tramite regressione lineare, metodo di Burg o un altro metodo di predizione lineare. Tu suggerisci che dopo aver adattato questo modello AR, dovremmo calcolare gli errori di previsione sui dati passati (cioè gli stessi errori che abbiamo cercato di ridurre durante l'adattamento) e adattare un altro modello AR a una gamma di errori e così via. Non ha molto senso farlo, perché la lunghezza del modello AR dovrebbe essere scelta in modo che l'errore di approssimazione abbia le proprietà del rumore bianco. Altrimenti, avete un modello corto e i suoi errori non si comportano come rumore bianco, ma come qualcosa di prevedibile. Ma l'adattamento di un secondo modello sotto una serie di errori, e poi un terzo e così via ha lo stesso risultato dell'aumento dell'ordine (lunghezza) del primo modello AR.
È più corretto costruire il primo modello a passi, aumentando la lunghezza del modello fino a quando l'errore di approssimazione si comporta come un rumore. Molto è stato scritto su questo in libri e articoli.
Ero troppo pigro per leggere tutti i post qui. Quindi farò una domanda che forse è già stata fatta prima di me. Qual è il criterio di approssimazione? Qual è la deviazione standard minima dell'intervallo in esame? E come si sceglie la lunghezza del modello?
Per capire dove sto andando con le mie domande, prendete il modello AR come esempio. Per adattarlo, partizionare i dati passati in campioni di allenamento, cioè ingressi e uscite. Adattare il modello a quei dati tramite regressione lineare, metodo di Burg o un altro metodo di predizione lineare. Tu suggerisci che dopo aver adattato questo modello AR, dovremmo calcolare gli errori di previsione sui dati passati (cioè gli stessi errori che abbiamo cercato di ridurre durante l'adattamento) e adattare un altro modello AR a una gamma di errori e così via. Non ha molto senso farlo, perché la lunghezza del modello AR dovrebbe essere scelta in modo che l'errore di approssimazione abbia le proprietà del rumore bianco. Altrimenti, avete un modello corto e i suoi errori non si comportano come rumore bianco, ma come qualcosa di prevedibile. Ma l'adattamento di un secondo modello sotto una serie di errori, e poi un terzo e così via ha lo stesso risultato dell'aumento dell'ordine (lunghezza) del primo modello AR.
È più corretto costruire il primo modello a passi, aumentando la lunghezza del modello fino a quando l'errore di approssimazione si comporta come un rumore. Molto è stato scritto su questo in libri e articoli.
Oh, cavolo!
Oh, andiamo, collega!? Nessuno qui conosce nemmeno parole così intelligenti (come lei scrive: "criterio", "approssimazione"), ma conosce esattamente 3-4 persone. E sono evidentemente stanchi di spiegare a tutti le chiare verità, quindi tacciono.
Convertire una serie non stazionaria in una serie stazionaria è una specie di esercizio che non ha niente a che fare con il profitto.
>> Niente del genere. Ciò di cui si discute, in senso lato, è ottenere da una serie non stazionaria di prezzi, una serie stazionaria di profitti.
Su istigazione di grasn (di cui lo ringrazio), ho cominciato a sviluppare la seguente idea.
3. Prevediamo ZZ in 2 fasi - completamento dell'onda corrente e la prossima. Probabilmente, è possibile utilizzare un modello di regressione complicato, per il momento mi limito alla solita statistica.Questo punto è il più importante, perché dà le maggiori ampiezze. Potrebbe spiegarsi meglio? ;-) Ovviamente, non è una statistica, cioè non è solo la media delle dimensioni dei passi o anche la distribuzione della dimensione del passo successivo dal precedente.
Niente del genere. Ciò di cui si discute, in senso lato, è ottenere da una serie non stazionaria di prezzi, una serie stazionaria di profitti.
Non capisco. TS fa profitti e non ho visto una parola su TS.
Non capisco. La TS fa profitti e non ho visto una parola sulla TS
profitto=f(serie di prezzi)
Questo punto è il più importante perché opera con le maggiori ampiezze. Puoi essere più specifico? ;-) Evidentemente non significa una statistica usuale, cioè non semplicemente la dimensione media del passo ZZ e nemmeno la distribuzione della dimensione del passo successivo da quello precedente.
Ahimè, per ora - distribuzione. Ho intenzione di classificare le distribuzioni in base all'errore di previsione, forse ci sarà un modello.
No.
1. Prima approssimiamo la serie dei prezzi. Otteniamo la formula per l'approssimazione del prezzo BP: price_appr(time)
Estrapolare price_appr(time + i).
3. Ottenere delta sintetico(tempo + i) = Open[tempo + i] - price_appr(tempo + i)
4. Controlla delta(x) per il rumore bianco. Se è rumoroso, granny bummer. Se non fa rumore, continua.
5. Approssimare i sintetici e ottenere la formula: delta_appr(tempo)
6. Previsione: forecast(time + i + j) = price_appr(time + i + j) + delta_appr(time + i + j)
dove: i e j sono OOS dai passi precedenti. tempo, i e j sono insiemi di tempo non sovrapposti
Questo è un suggerimento interessante.
Anche se la metodologia di previsione non è molto chiara. Cosa viene effettivamente predetto?
Ma c'è un altro compito da risolvere prima.
Come controllare il rumore bianco o no?
profitto=f(serie di prezzi)
Le conversioni di BP in qualcosa di più decente sono abbondanti - tutti (o quasi) gli indicatori, ma nessun profitto è visibile. Sempre, quando si sviluppa un indicatore, è sempre prima l'idea e poi l'implementazione. Qui si dice "è bene che la BP sia stazionaria al posto di non stazionaria". Che cosa è buono? Lo sviluppo di tutti gli indicatori mira a riflettere qualche caratteristica del BP iniziale. Qui un tale compito non è affatto impostato, il compito è quello di statetaratteristiche del risultato, e ciò che questo risultato mostrerà del BP iniziale è sconosciuto.
A proposito, qui sul forum ho visto un grafico che mostra che la lunghezza delle candele dipende dall'ora del giorno.