Statistiche di dipendenza nelle citazioni (teoria dell'informazione, correlazione e altri metodi di selezione delle caratteristiche) - pagina 68

Nuovo commento
 
alexeymosc:
I dati sono nell'allegato. Ho lavorato con la serie quantizzata (all'estrema destra).

Ecco il risultato.

Un grafico molto strano. Rifilato. Sembra che i calcoli siano stati fatti con una precisione limitata.

Statistiche

Molto divertente.

ACF

Data: 14/10/12 Ora: 11:58

Campione: 1.272

Osservazioni incluse: 3271

Autocorrelazione Correlazione parziale AC PAC Q-Stat Prob

| | | | 1 -0,059 -0,059 11,332 0,001

| | | 2 -0,053 -0,057 20,704 0,000

| | 3 0,025 0,019 22,820 0,000

| | 4 0,005 0,005 22,908 0,000

| | 5 -0,062 -0,059 35,486 0,000

| | | 6 0.007 -0.000 35.639 0.000

| | | 7 -0,038 -0,045 40,475 0,000

| | 8 0,032 0,030 43,845 0,000

| | 9 -0,007 -0,008 44,004 0,000

| | 10 0,025 0,026 46,003 0,000

| | | 11 -0.033 -0.032 49.674 0.000

| | 12 0,048 0,043 57,372 0,000

| | 13 0,002 0,006 57,382 0,000

| | 14 -0,032 -0,028 60,736 0,000

| | 15 -0.033 -0.033 64.288 0.000

| | 16 0,047 0,034 71,425 0,000

| | 17 -0,004 0,007 71,469 0,000

| | 18 -0,039 -0,037 76,462 0,000

| | 19 -0,004 -0,008 76,520 0,000

| | 20 0,017 0,004 77,426 0,000

| | | 21 -0,046 -0,040 84,377 0,000

| | 22 0,020 0,013 85,636 0,000

| | 23 0,006 0,006 85,767 0,000

| | 24 -0,010 -0,010 86,089 0,000

| | | 25 -0,001 -0,004 86,090 0,000

| | | 26 -0,022 -0,028 87,663 0,000

| | 27 0,025 0,031 89,677 0,000

| | | 28 -0,022 -0,028 91,250 0,000

| | 29 0,028 0,029 93,841 0,000

| | 30 0,009 0,011 94,135 0,000

| | 31 0,007 0,015 94,290 0,000

| | 32 0,004 0,001 94,350 0,000

| | | 33 -0.007 -0.009 94.501 0.000

*| | *| | 34 -0.092 -0.085 122.33 0.000

| | | 35 0,010 -0,006 122,66 0,000

| | | 36 0,008 0,003 122,89 0,000

L'ultima colonna è la probabilità di correlazione. Zero.

Questi dati non sono di alcun interesse - perdita di precisione. L'analisi non è niente, solo una cifra.

 
Avals:

Cos'è la ZZ secondo Pastukhov? Pastukhov ha studiato il kagi/renko nella costruzione classica. Questa regola (2H) non si applica esattamente a ZZ. C'è una dipendenza dal valore del ginocchio in punti.
Sì, stiamo parlando di H-volatilità.
 
VNG: Si può massimizzare indagando la struttura del motore, scomponendolo in gamme, ottenendo statistiche delle transizioni alle gamme senior (o junior).

hmm, fatto questo - visivamente sembra questo:

http://imglink.ru/pictures/14-10-12/6038b20b9bfbd1e06c08e649623cca4b.jpg

http://imglink.ru/pictures/14-10-12/47b7615b511f6b8a6f3b638a2fcda38b.jpg

Ogni triangolo colorato è la TF da destra a sinistra di M1,M5 a MN rispetto alla linea verticale che simula la visione dell'osservatore della storia, la storia sotto forma di intervalli di estremo alto e basso/max/min storico

L'ho caricato su Statistica sotto forma di alfabeto, sì ci sono aree/parole ripetute, anche per 2-3 TF, ma la ripetizione non è periodica, i periodi di ripetizione sono da 2 mesi a diversi anni

 
VNG:


Sono anche "tu" per me, se non ci sono obiezioni.

Perché no? C'è una giustificazione?


l'astratto SB avrà la stessa cosa
 
HideYourRichess:
Sì, si tratta di H-volatilità.

lì è diverso (sul grafico di getch)
 
alexeymosc:
I dati sono nell'allegato. Ho lavorato con la serie quantizzata (all'estrema destra).

Prenderò i soliti incrementi per l'apertura.

Molto più interessante. Statistiche

ACF

Data: 14/10/12 Ora: 12:05

Campione: 1 3272

Osservazioni incluse: 3271

Autocorrelazione Correlazione parziale AC PAC Q-Stat Prob

| | | | 1 -0,063 -0,063 13,075 0,000

| | | 2 -0.033 -0.037 16.554 0.000

| | 3 0,017 0,013 17,558 0,001

| | 4 -0,000 0,001 17,558 0,002

| | | 5 -0.043 -0.043 23.757 0.000

| | | 6 -0,003 -0,009 23,788 0,001

| | 7 -0,024 -0,028 25,722 0,001

| | 8 0,022 0,019 27,264 0,001

| | | 9 -0,005 -0,004 27,338 0,001

| | 10 0,032 0,032 30,668 0,001

| | 11 -0,027 -0,025 33,069 0,001

| | 12 0,051 0,048 41,461 0,000

| | 13 0,011 0,016 41,861 0,000

| | | 14 -0,020 -0,014 43,111 0,000

| | | 15 -0.040 -0.040 48.488 0.000

| | 16 0,047 0,039 55,873 0,000

| | 17 -0,003 0,006 55,900 0,000

| | 18 -0,054 -0,051 65,566 0,000

| | 19 0,006 0,000 65,688 0,000

| | 20 0,013 0,004 66,214 0,000

| | 21 -0,053 -0,047 75,446 0,000

| | 22 0,025 0,015 77,560 0,000

| | 23 0.014 0.014 78.179 0.000

| | | 24 -0,009 -0,008 78,465 0,000

| | 25 -0,003 -0,005 78,490 0,000

| | 26 -0,024 -0,030 80,367 0,000

| | 27 0,018 0,022 81,400 0,000

| | | 28 -0,006 -0,007 81,522 0,000

| | 29 0,017 0,016 82,452 0,000

| | 30 0,008 0,013 82,657 0,000

| | | 31 -0,002 0,005 82,675 0,000

| | 32 0,010 0,004 83,006 0,000

| | | 33 -0,024 -0,025 84,980 0,000

*| | *| | 34 -0,083 -0,079 107,74 0,000

| | | 35 0,005 -0,011 107,82 0,000

| | | 36 0,022 0,014 109,37 0,000

Probabilità di assenza di correlazione. Inizialmente c'è una certa correlazione, ma non significativa.


 
alexeymosc:
I dati sono nell'allegato. Ho lavorato con la serie quantizzata (all'estrema destra).

Prenderò i soliti incrementi per l'apertura.

Molto più interessante. Statistiche

ACF

Data: 14/10/12 Ora: 12:05

Campione: 1 3272

Osservazioni incluse: 3271

Autocorrelazione Correlazione parziale AC PAC Q-Stat Prob

| | | | 1 -0,063 -0,063 13,075 0,000

| | | 2 -0.033 -0.037 16.554 0.000

| | 3 0,017 0,013 17,558 0,001

| | 4 -0,000 0,001 17,558 0,002

| | | 5 -0.043 -0.043 23.757 0.000

| | | 6 -0,003 -0,009 23,788 0,001

| | 7 -0,024 -0,028 25,722 0,001

| | 8 0,022 0,019 27,264 0,001

| | 9 -0,005 -0,004 27,338 0,001

| | 10 0,032 0,032 30,668 0,001

| | 11 -0,027 -0,025 33,069 0,001

| | 12 0,051 0,048 41,461 0,000

| | 13 0,011 0,016 41,861 0,000

| | 14 -0,020 -0,014 43,111 0,000

| | | 15 -0.040 -0.040 48.488 0.000

| | 16 0,047 0,039 55,873 0,000

| | 17 -0,003 0,006 55,900 0,000

| | 18 -0,054 -0,051 65,566 0,000

| | 19 0,006 0,000 65,688 0,000

| | 20 0,013 0,004 66,214 0,000

| | 21 -0,053 -0,047 75,446 0,000

| | 22 0,025 0,015 77,560 0,000

| | 23 0.014 0.014 78.179 0.000

| | | 24 -0,009 -0,008 78,465 0,000

| | 25 -0,003 -0,005 78,490 0,000

| | 26 -0,024 -0,030 80,367 0,000

| | 27 0,018 0,022 81,400 0,000

| | | 28 -0,006 -0,007 81,522 0,000

| | 29 0,017 0,016 82,452 0,000

| | 30 0,008 0,013 82,657 0,000

| | | 31 -0,002 0,005 82,675 0,000

| | 32 0,010 0,004 83,006 0,000

| | | 33 -0,024 -0,025 84,980 0,000

*| | *| | 34 -0,083 -0,079 107,74 0,000

| | | 35 0,005 -0,011 107,82 0,000

| | | 36 0,022 0,014 109,37 0,000

Probabilità di assenza di correlazione. Inizialmente c'è una certa correlazione, ma non significativa.


 
VNG:


Può dirmi di più?

L'algoritmo è dichiarato in questa frase

L'Expert Advisor conta il numero di ginocchia Zig-Zag (non meno di pips) e lo salva nel file

Mi dispiace, non ho guardato il codice, ma da questa frase si evince che il numero di passaggi per calcolare il numero di ginocchia dovrebbe essere uguale al numero di pips su un timeframe di un minuto dal range di prezzo massimo sulla storia.

Altri dettagli, grafici e così via? - È stato molto tempo fa, e solo una conclusione speculativa è sopravvissuta. Mi ha soddisfatto perché corrisponde, a differenza della botanica numerologica, alle idee generali sui processi del mercato - sono diversi a diversi livelli. In termini generali, su piccoli livelli c'è una tendenza ai "rendimenti" (che l'HFT sfrutta, ed è essa stessa coinvolta nel creare questo effetto), su grandi livelli c'è una tendenza alla "tendenza" (investimenti a lungo termine). Da qualche parte nel mezzo c'è quello che Pastukhov descrive come 2H - nella mia comprensione qualcosa di simile alla martingala o al "mercato efficiente". Il secondo punto è che i confini dei livelli non sono costanti, cioè è impossibile tracciare un grafico e dire che sarà sempre così. La composizione e la natura degli offerenti cambia costantemente, quindi tutto il resto cambia di conseguenza. E così via.
 
alexeymosc:
I dati sono nell'allegato. Ho lavorato con la serie quantizzata (all'estrema destra).

Ridurre la finestra. Finestra grande - il teorema del limite comincia a funzionare. Ma stiamo entrando nel mercato per un periodo di tempo limitato.

Finestra=100. Grafico:

ACF

Data: 14/10/12 Ora: 12:11

Campione: 1 100

Osservazioni incluse: 99

Autocorrelazione Correlazione parziale AC PAC Q-Stat Prob

.|. | .|. |. 1 0.001 0.001 3.E-05 0.996

.|. | .|. | 2 0,036 0,036 0,1371 0,934

*|. | *|. | 3 -0,148 -0,148 2,4225 0,489

.|. | .|. | 4 -0,047 -0,048 2,6516 0,618

*|. | *|. | 5 -0,132 -0,124 4,5037 0,479

.|* | |00 .|* |01 6 0,135 0,121 6,4763 0,372

*|. | *|. | 7 -0,096 -0,109 7,4812 0,381

.|. | .|. | 8 0,023 -0,021 7,5395 0,480

*|. | .|. | 9 -0.073 -0.050 8.1324 0.521

.|* |00 .|* 10 0,105 0,083 9,3778 0,497

.|. | .|. |. 11 -0.018 0.002 9.4136 0.584

.|. | .|. | 12 0,034 -0,028 9,5449 0,656

.|. | .|* | 13 0,060 0,109 9,9605 0,697

.|. | .|. |. 14 0,062 0,049 10,418 0,731

.|. | .|. | 15 -0,053 -0,021 10,750 0,770

*|. | *|. | 16 -0,103 -0,132 12,038 0,741

.|. | .|. | 17 -0,036 0,018 12,196 0,788

*|. | *|. | 18 -0,111 -0,103 13,712 0,748

.|. | .|. | 19 -0,028 -0,062 13,812 0,795

.|. | .|. | 20 0,030 -0,004 13,923 0,834

.|. | *|. | 21 -0.045 -0.087 14.187 0.861

.|. | .|. | 22 -0,008 -0,002 14,196 0,894

.|* |00 .|* 23 0,124 0,076 16,219 0,846

.|. | .|. |. 24 0,021 0,014 16,280 0,878

.|. | .|. | 25 -0,025 -0,059 16,364 0,904

.|. | .|. | 26 0,041 0,069 16,591 0,921

.|. | .|. | 27 0,046 0,073 16,879 0,934

*|. | .|. | 28 -0.074 -0.062 17.640 0.935

.|. | .|. | 29 0,038 0,056 17,848 0,947

.|. | .|. | 30 -0,039 -0,010 18,071 0,957

.|. | .|. | 31 0,023 0,069 18,151 0,968

.|. | .|. | 32 -0.014 -0.015 18.179 0.976

.|. | .|. | 33 0,021 -0,030 18,245 0,982

.|. | .|. | 34 -0,041 -0,031 18,505 0,986

.|. | .|. | 35 -0,019 -0,038 18,559 0,990

.|. | .|. | 36 -0,029 -0,043 18,697 0,992

Il quadro è cambiato radicalmente. La probabilità di nessuna correlazione è molto alta.

Resta da confrontare con TI. E capire di cosa stiamo parlando.

 
Avals:

è diverso (sul grafico di getch)
Capisco. Beh, cosa posso dire - in qualche modo mi fido più dell'H-Volatility che del getch. ;) Almeno con Pastukhov è chiaro da dove nascono le gambe e quali sono le idee.
1...6162636465666768697071727374
Nuovo commento