Volumi, volatilità e indice Hearst - pagina 30
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
Non puoi isolare il rumore su una citazione - probabilmente non lo capisci perché non hai provato. E nessun ARPSS vi aiuterà sulle citazioni e non troverete mai queste trame. Se solo ci fossero più milionari intelligenti in giro, non ci sarebbero abbastanza castelli per tutti. :о) Isolare il rumore significa trovare un modello adeguato.
Non sono uno scienziato
Non è che mi stessi rivolgendo a te personalmente. Ma visto che hai risposto - l'auto-identificazione artificiosa non ha funzionato :)
Per quanto riguarda la domanda, non è agli errori nell'interpretazione dei risultati dell'analisi dello stesso processo (tali conclusioni affrettate gentilmente faa1947 dimostra - cancellando ogni seconda osservazione, richiede che il periodo in unità è tenuto), ma nel fatto della ciclicità della media mobile della somma delle serie casuali.
Questo mi rende impossibile capire il processo di quotazione e la conseguente traiettoria dei prezzi.
E se il presunto vagare geometrico di un quoziente è il risultato di una serie di processi casuali (smussati da filtri DC e dalla grossolana discretizzazione dei taframes), allora come è coerente questo con la distribuzione uniforme (e in definitiva la gaussiana) di alcuni modelli popolari?
A proposito, il modello "trend-wave-noise" su un "periodo molto lungo" non regge per quanto riguarda il forex - non può esserci un trend per definizione.
Oro, petrolio, zucchero - una tendenza è necessaria lì. Per stimare l'inflazione...
;)
Credo che Prival sia in questo thread. I passaggi sul filtro Kalman, per esempio, si riferivano anche a questo. Per quanto ne so, idealmente il rumore dovrebbe essere normale. Allora sarebbe possibile prevedere non solo le traiettorie degli aerei nemici, ma anche i kotir :)
Il modello ARPSS è scritto come ARPSS (p, d, q), dove d è la differenza. Devono essere presi fino a quando la serie risultante è normale. Si sostiene che d = 2 è sufficiente.
La persistenza con cui molte persone cercano di interpretare la somiglianza solo come somiglianza geometrica è davvero sorprendente. Nonostante l'esempio perfettamente specifico di somiglianza dato, mi riferisco al rapporto statistico High-Low e |Close-Open|. Questa è la vera somiglianza. A proposito, Yuri, il tuo esempio di ZZ potrebbe essere anche migliore, ma sembra essere da un conto personale, quindi non lo cito qui.
Farnsworth 18.09.2010 22:08
== uguaglianza di distribuzioni finite-dimensionali
Gli esempi con somiglianza geometrica aiutano a capire chiaramente il punto di Hurst come coefficiente di autosimilarità. Per esempio, possiamo dare un'interpretazione geometrica dell'analisi R/S - prendete un righello di misura 1, misurate R/S con esso, prendete un righello di misura 2 e ripetete la misura. E così via, finché è rilevante. In realtà, in questo modo, si valuta l'uguaglianza delle distribuzioni e si calcola il coefficiente di autosimilarità nel processo.
In ogni caso, mi piacerebbe molto che tu, Candido, dessi la tua interpretazione geometrica o, per così dire, che mostrassi in immagini, qual è il significato geometrico di una tale definizione:
L'indice Hurst è una misura marginale. Ed è definito come il limite, l'asintoto a cui h nella formula nota per l'intervallo normalizzato quando il numero di conteggi nell'intervallo aumenta all'infinito.
Personalmente, vedo che Hurst, il coefficiente di autosimilarità, nella definizione di cui sopra è stato semplificato a una singola misura di una caratteristica simile a R/S usando un righello di lunghezza infinita. Ovviamente, le serie che non hanno uno spread infinito normalizzato avrebbero, secondo tale definizione, un coefficiente di Hurst uguale a zero. Qual è la sua opinione?
Se usi ARPSS, non lo capisco. La premessa di ARPSS è: tendenza + onda + rumore.
Non è affatto così che è scritto e viene inteso in modo un po' diverso. ARPSS è essenzialmente un modello AR con correzione della matrice di covarianza. Ci sono componenti che estendono ARPSS - si può includere il modello di tendenza(!), il modello di ripartizione(!), molte cose. Che cosa dice a questo proposito? Pensate che non ne sappia nulla? Sto scrivendo di qualcos'altro - non sto applicando questi modelli direttamente alle citazioni. Non ha senso. Stavo scrivendo di usare sistemi stocastici con una struttura casuale. Tutto qui - di cosa state discutendo? Che si possono applicare sui preventivi? ARPSS sulle citazioni? Congratulazioni!
O le qualifiche, le qualifiche prima di tutto.
È la matematica che non funziona in questo caso - nessuna delle condizioni necessarie è soddisfatta. Beh, sì, qualificazione - chi può discutere con questo.
Molte speculazioni sull'argomento, ma niente. forse potresti condividere i risultati?
chi ne ha discusso? Quali sono i risultati da condividere? Proprio qui: https://forum.mql4.com/ru/34527/page27 ha dato il risultato del test in pip, finora in MathCAD, 25 scambi in 150 giorni. Anche nel ramo del test dei sistemi online - ha fatto qualche previsione.
PS: Se puoi applicare ARPSS alle citazioni e identificare correttamente il processo - mostra le tue capacità.
Credo che Prival sia in questo thread. Questo includeva passaggi sul filtro Kalman, per esempio. Per quanto ne so, idealmente il rumore dovrebbe essere normale. Allora sarebbe possibile prevedere non solo le traiettorie degli aerei nemici, ma anche i kotir :)
No, no, non è così semplice. Privalych stesso ha detto che Kalman non dipende dalla distribuzione degli errori. Qualunque cosa ci metti dentro, è così che viene fuori il filtro.
Onestamente, non so cosa sia Kalman. Non sono mai stato interessato ai filtri negli affari.
Farnsworth 18.09.2010 22:08
Gli esempi con somiglianza geometrica aiutano ad illustrare il punto di Hearst come coefficiente di autosimilarità. Per esempio, si può dare un'interpretazione geometrica dell'analisi R/S - prendi un righello di misura 1, misura R/S con quel righello, prendi un righello di misura 2 e ripeti le misure. E così via, finché è rilevante. Infatti, in questo modo, si valuta l'uguaglianza delle distribuzioni e si calcola il coefficiente di autosimilarità nel processo.
Il modello ARPSS è scritto come ARPSS (p, d, q), dove d è la differenza. Devono essere presi fino a quando la serie risultante è normale. Si afferma che d = 2 è sufficiente.
No, no, non è così semplice. Privalych stesso ha detto che Kalman non dipende dalla distribuzione degli errori. Qualunque cosa ci metti dentro, è così che viene fuori il filtro.
Onestamente, non so cosa sia Kalman. Non sono mai stato interessato ai filtri negli affari.