Fenomeni di mercato - pagina 28
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
Il modello di mercato
...La sua essenza è molto semplice. Esiste un numero finito di strutture che descrivono la trasformazione dell'input in output. Ogni struttura di questo tipo implica una specie di modello secondo il quale la trasformazione ha luogo. Il processo osservato è formato da una transizione (commutazione) tra strutture...
Colleghi, lascerò il forum per un lungo periodo di tempo.
gpwr, il problema è che questa decodifica (o, più o meno la stessa cosa, il passaggio tra strutture) è molto probabilmente non lineare.
I legami lineari tra gli eventi (correlazioni di Pearson) scompaiono già a piccole "distanze" tra gli eventi. Per distanza intendo il numero di unità di base TF, cioè il numero di barre.
Finora non c'è nulla di aggiuntivo da dire, dato che io stesso vado nel buio e a tentoni.
Mi sembra che lei stia pensando nella giusta direzione. Aggiungerei anche che i prezzi in un certo intervallo di tempo sono rappresentati non come semplici passaggi tra queste strutture, ma come le loro combinazioni ponderate. L'importante è trovare queste strutture. Cosa sono? Vettori principali? Seni e coseni come nella trasformata di Fourier? Wavelets? Se qualcuno sa come identificare correttamente queste strutture da una serie temporale, per favore condivida i suoi pensieri. Ci possono essere molte scelte qui, ma solo una è corretta. Considererei corrette quelle strutture (wavelets) che impiegano il minimo per descrivere il prezzo. Questo viene dalla mia esperienza di ingegneria radiofonica. L'informazione digitale trasmessa è 100110... viene passato attraverso un filtro digitale / modulatore DAC e quindi convertito in un segnale analogico con più valori dell'informazione originale. Il processo di rappresentazione dei prezzi di mercato come transizioni tra strutture è essenzialmente identico al processo di demodulazione di un segnale radio (o di riduzione della dimensionalità dei processi stocastici). Per demodulare correttamente questo segnale dobbiamo sapere con quali filtri (strutture) è stato codificato.
Come radiotecnico (purtroppo già in passato) sostengo la tua idea di demodulazione.
L'idea del rilevamento sincrono è suggerita - la cosa principale è determinare il segnale di riferimento e il tipo di filtraggio (piuttosto non lineare).
gpwr, il problema è che questa decodifica (o, più o meno la stessa cosa, il passaggio tra strutture) è molto probabilmente non lineare.
I legami lineari tra gli eventi (correlazioni di Pearson) scompaiono già a piccole "distanze" tra gli eventi. Per distanza intendo il numero di unità di base TF, cioè il numero di barre.
Finora non ho nulla di aggiuntivo da dire, dato che io stesso vado nel buio e brancolo.
Il mio interesse in questo argomento è causato dalla loro applicazione più pratica della previsione dei prezzi di mercato. Ora sono più interessato allo sviluppo di sistemi di riconoscimento vocale rapido. Come sappiamo, il discorso è composto da fonemi (le stesse strutture), il cui insieme forma una parola. Per esempio, in una lingua russa ci sono solo 43 fonemi che formano 150-200 mila parole. Queste parole formano frasi e discorsi. Il discorso può essere considerato l'equivalente di un prezzo di mercato, di cui non conosciamo i fonemi (strutture). Ecco perché sembra un rumore (immaginate il discorso di un alieno). I fonemi del parlato sono generati dalle corde vocali, dalla lingua ecc. - in breve, dai filtri della voce, il cui input è il rumore sotto forma di aria espirata. La nostra percezione del discorso è anche un processo di filtraggio dei suoni attraverso i filtri dell'orecchio interno, che sono sintonizzati su diversi fonemi. Cioè, in parole povere, un segnale codificato (il discorso) è l'input (l'orecchio) e l'output (nella corteccia cerebrale) è il segnale (le parole). La previsione del prezzo si riduce alla previsione dei fonemi (strutture) futuri. Ma questo non mi interessa. Sono interessato a riconoscere fonemi (strutture) passati e presenti. Per ottenere questo si dovrebbe avere un vocabolario di questi fonemi e correlare il discorso con questi fonemi conosciuti (in modo semplificato, ovviamente). Se sappiamo quale lingua è parlata dal nostro interlocutore, allora possiamo semplicemente cercare il dizionario dei fonemi corrispondenti, decodificare il discorso in un testo e poi tradurlo con il dizionario. Ma cosa succede se non conosciamo la lingua dell'oratore? Come si determinano i fonemi dal discorso? O, se è per questo, come si fa a determinare le strutture dalle quotazioni? Si noti che il numero di strutture di prezzo deve essere dello stesso ordine del numero di fonemi del discorso (10-100).
gpwr:
...
Si noti che il numero di strutture di prezzo dovrebbe essere dello stesso ordine del numero di fonemi del discorso (10-100).
Penso che l'argomento degli "schemi di mercato" (una specie di fonemi, come scrivi tu) sia vicino qui - in particolare la loro impostazione e il loro riconoscimento, per esempio da NS. Dopo di che viene presa la decisione di trading - o su o giù. Quindi è così.
Sono d'accordo. Ci sono molti termini diversi: fonemi, strutture, modelli, wavelets, funzioni di base. Mi piace di più il termine funzioni di base. Mi interessa la seguente domanda: come si possono determinare automaticamente le funzioni di base quando si conosce una serie temporale? Naturalmente, si può esaminare visivamente questa serie e trovare triangoli, bandiere e altre belle forme. Ma nessuno ha ancora dimostrato che questi modelli sono statisticamente importanti e non solo un prodotto dell'immaginazione. Ricorda come nell'aneddoto:
Lo psichiatra mostra diverse immagini al paziente chiedendo: "Cosa ci vedi?" E il paziente dice: "Un uomo e una donna che fanno sesso". "Sei una specie di libertino", dice il dottore. E il paziente dice: "Beh, tu stesso mi hai mostrato quelle foto lascive".
Identificare automaticamente le funzioni di base statisticamente importanti è un processo complicato e non credo che qualcuno abbia capito come farlo correttamente, anche con le reti neurali. Naturalmente, possiamo semplificare il compito e assumere in anticipo che la serie temporale sia divisa in wavelets Haar, o funzioni trigonometriche come nella serie di Fourier, o altre funzioni base che sono spesso usate nella regressione. E tutte queste funzioni di base riprodurranno con successo la nostra serie, sia che si tratti di una serie di prezzi o di un discorso. Ma immaginate se decomponiamo il discorso in wavelets Haar - non hanno niente a che fare con i fonemi. Sarebbe altrettanto insensato decomporre una serie di prezzi in wavelets di Haar o in funzioni trigonometriche. È opportuno menzionare il rilevamento compressivo, la cui essenza è quella di descrivere un segnale con il più piccolo insieme di funzioni base. Anche se ci sono molti algoritmi di questo metodo, tutti presuppongono che si conoscano le funzioni di base. Se hai qualche idea sull'algoritmo per trovare le funzioni di base dalla serie dei prezzi, per favore condividila.
... In breve, se qualcuno ha qualche idea su un algoritmo per trovare funzioni di base da una serie di prezzi, per favore condividetela.
Come radiotecnico (purtroppo già in passato) sostengo la tua idea di demodulazione.
L'idea del rilevamento sincrono è suggerita - la cosa principale è determinare il segnale di riferimento e il tipo di filtraggio (piuttosto non lineare).
Mi piace già... Sergey, quali sono i principi fondamentali della fisica della radio (telegrafo, ecc.)?
Sono d'accordo. Ci sono molti termini diversi: fonemi, strutture, modelli, wavelets, funzioni di base. Mi piace di più il termine funzioni di base. Mi interessa la seguente domanda: come si possono determinare automaticamente le funzioni di base quando si conosce una serie temporale? Naturalmente, si può esaminare visivamente questa serie e trovare triangoli, bandiere e altre belle forme. Ma nessuno ha ancora dimostrato che questi modelli sono statisticamente importanti e non solo un prodotto dell'immaginazione. Ricorda come nell'aneddoto:
Lo psichiatra mostra diverse immagini al paziente chiedendo: "Cosa ci vedi?" e il paziente risponde: "Un uomo e una donna che fanno sesso". "Sei una specie di libertino", dice il dottore. E il paziente dice: "Beh, tu stesso mi hai mostrato quelle foto lascive".
Identificare automaticamente le funzioni di base statisticamente importanti è un processo complicato e non credo che qualcuno abbia capito come farlo correttamente, anche con le reti neurali. Naturalmente, possiamo semplificare il compito e assumere in anticipo che la serie temporale sia divisa in wavelets Haar, o funzioni trigonometriche come nella serie di Fourier, o altre funzioni base che sono spesso usate nella regressione. E tutte queste funzioni di base riprodurranno con successo la nostra serie, sia che si tratti di una serie di prezzi o di un discorso. Ma immaginate se decomponiamo il discorso in wavelets Haar - non hanno niente a che fare con i fonemi. Sarebbe altrettanto insensato decomporre una serie di prezzi in wavelets di Haar o in funzioni trigonometriche. È opportuno menzionare il rilevamento compressivo, la cui essenza è quella di descrivere il segnale con il più piccolo insieme di funzioni base. Anche se ci sono molti algoritmi di questo metodo, tutti presuppongono che si conoscano le funzioni di base. Se hai qualche idea sull'algoritmo per trovare le funzioni di base dalla serie dei prezzi, per favore condividila.