ハーストの索引 - ページ 36

新しいコメント
 
主に論文を読んでいます。また、計算は http://capital-times.com.ua/index.php?option=com_content&task=view&id=11623&Itemid=88888963 から行います。
 
Rnita:
主に論文を読みました。また、計算は http://capital-times.com.ua/index.php?option=com_content&task=view&id=11623&Itemid=88888963 から行います。

非常に興味深いテーマです。今後、この結果を知ることができればと思います。

トピックの発展への貢献として。

FARIMA分数積分モデルを使ってハースト指数を適用しています。これらのモデルには、パラメータ推定用のコードが用意されています。Excelは、議論するのに適したパッケージではありません。残念ながら、このアルゴリズムは、Rという非常にろくでなしのプログラミングシステムで実装されています。もしかしたら、どこかで実装されているのかもしれませんね。FARIMAとロングランメモリに注目。添付ファイルには、FARIMAモデルの使い方をRから説明したものを添付しています。ここでは、非常に安価にたくさんの文献を見つけることができます。時系列とRで検索します。とても良い本がたくさんあります。

頑張ってください。その結果をフォーラムに、せめて本人にアップしてほしい。

ファイル:
fracdiff.zip  145 kb
 

D列のファイルの0は、計算式に誤りがあるため、動作しません。最初のものはセルD87にあり、本文中にはさらに十数個のものがある。この欄を再ブロックすると、あとは正しいようです（ただし、RMS計算も確認してください）。

残りについてHurst係数は 一般に積分特性であり、その実現系列における一点ではなく、測定期間全体における確率変数を特徴づける。したがって、実際には「Hを計算しました」とは言えず、「Hを推定しました」というのが正しい表現になります。これはスノビズムではなく、何が言いたいかというと、ある量のハースト値が何であったかは、神にしか分からないので正確には分からないが、その値をある程度確実に推定することは可能であり、観測回数が多ければ多いほど、その推定値は正確になる、ということである。したがって、ご質問の答えは、系列を周期に分けるかどうかは、H指数を系列全体について推定したいのか、その一部について推定したいのかによります（時間的に一定であるとは誰も言っていませんよね）。単純にサンプルのオブザベーションの数をNとすることができます。

 
ありがとうございました。勉強して結果を掲載しますが、脳で理解するのが非常に難しい素材なので、レベルは非常に低くなると思われます。批判は十分に受け入れる ))))
 
Rnita:
主に論文を読みました。そして計算は、http://capital-times.com.ua/index.php?option=com_content&task=view&id=11623&Itemid=88888963

このEric Nymanの論文（2010）は、Adgar Peters（1990）の著書から書かれたもので、彼はこの方法をMandelbortの著作（1960-70）から取り、70歳のHarold Edwin Hirstがはるかに1951年に発明した方法を最初に説明しました。つまり、論文相談で提案テーマの新規性を問われたら、19世紀のエドウィン老人がフラクタル幾何学の革新者であることを想像すればいいということです:) 。

しかし、真面目な話、この方法は、上に見たように、ナイル川の流出という特殊で極めて異常なプロセスに対して開発されたものである。下の図では、全体のトレンドや数学的な期待値に対して流出幅が不釣り合いであることが明らかである。そして、ナイル川の流出という特定のプロセスに対しては、この方法は有効であるが、マンデルボートが提示しようとした金融市場に対しては、もはや十分とは言えないのである。SBを含め、どんな状況、どんな市場でも、計算すると0.54程度の値になります。他の、より正確な方法が必要です。また、論文を書くとなると、分数積分自己回帰移動平均FARIMAを使わないわけにはいかず、専門の統計パッケージでしか利用できません。そこでHを任意に設定することができる。なぜなら、少なくとも市場をモデルに適合させるためには、そのHを計算する必要があり、最もシンプルで一般的な方法が機能しないのであれば、どうやってそれを行うのでしょうか？このテーマでは、他にもパストゥコーフやシリヤエフの作品がある。見てください。より科学的で論文に適しているが、より正確かどうかは疑問である。また、同じ内容の関連スレッドがありますので、こちらも ご覧ください。

 
C-4: 論文審査会でテーマ提案の新規性を問われたら、フラクタル幾何学のパイオニアとして19世紀のエドウィン翁を提示しなければならなくなる:)

まあ、19世紀ではなく20世紀なんですけどね。

ああ、このハーストは本当にでたらめだ。まさにalsuが 言うように、それは不可欠なものなのです。

 
Mathemat:

まあ、XIXじゃなくてXXなんですけどね。

ハーストは本当にゴミです。まさにalsuが 言うように、それは不可欠なものなのです。


Hはシステムそのものというより、外部環境の特性（その「粘性」「弾力性」など）である、ということです。特定の市場商品に置き換えた場合、ここでHは外部（昔で言うところのファンダメンタル）背景の量的特性であり、アイデアの流動性、各中央銀行の典型的な行動、トレーダーの「気質」などが挙げられる。(例えば、ユーロと円の動きを比較）、通貨ペアそのものは内部モデルとして違いはない（取引を行う際の原則やルールはどの商品も同じ）。
 
alsu:

Hはシステムそのものというより、外部環境の特性（その「粘性」「弾性」等）である、ということです。特定の市場商品に置き換えた場合、ここでHは外部（昔で言うところのファンダメンタル）背景の量的特性であり、アイデアの流動性、各中央銀行の典型的な行動、トレーダーの「気質」などが挙げられる。(例えばユーロと円の挙動を比較)、内部モデル的には通貨ペア自体に違いはない(取引を行う際の原則やルールはどの商品も同じ)。
。

Hは外部環境により特徴的 である」に注目すると、Hirstに関連して使われる英単語に 注目する必要がある。以下、BPのモノグラフからのコピーペーストです。

時系列の中には、 高いラグで顕著な相関を 示すものがあり、それらは以下のように呼ばれる。
を長メモリ処理と 呼んでいます。ロングメモリは多くの地球物理学の特徴である
時系列で表示します。ナイル川の流量は、高いラグで相関がある。
とHurst (1951)は、これが最適設計容量に影響を与えることを実証しました。
ダムのMudelsee (2007)は、長時間の記憶が水文学的な特性であることを示している
長期の干ばつや異常気象の時間的な集中を引き起こす可能性のある
の洪水が発生します。もっと違うスケールでは、Leland et al.(1993)は、Ethernet
ローカルエリアネットワーク（LAN）のトラフィックは、統計的に自己相似的で、かつ
ロングメモリープロセスです。によって生じる混雑の性質を示した。
自己相似的なトラフィックは、トラフィックモデルが予測するトラフィックと大きく異なっている
当時はマンデルブローと共同研究者たちは、この関係を調査しました。
自己相似性と長期記憶の関係を明らかにし、その研究において主導的な役割を果たしました。

フラクタル 幾何学を学問として確立する。

この言葉にご注目ください。

時系列によっては、高いラグで顕著な相関を示すものもある

И

は、ロングメモリが

ロングメモリーとは何か？40回以上の観測で自己相関があることが判明!しかし、引用文の中で、これほど長い間1つの符号の相関関係が続くことは極めて稀である。とにかく、1時間かけても見つからなかった。

ハーストの指標を使おうとする人が多い。一度もポジティブな結果を見たことがない。まずはコタツを探すのが先決かもしれませんね。

 
faa1947:

ハーストのインデックスを使おうとする人は非常に多い。ポジティブな結果を見たことがない。まず、商を求める必要があるのでは？


ロングメモリーとは、ある値に対するHが0.5と大きく異なることを意味し、当然ながら商ではそのようなことはない。この分野での試みは主に、Hは小さなサンプルで確実に推定することが非常に難しいため、100本、1000本のローソク足での結果を信用することができず、失敗しています。そして、より大きな間隔では、Hはむしろ半分に近く、すなわち、価格の動きに関する（有用な）情報はむしろ小さく、少なくともスプレッドを打ち負かすことができるような情報である。
 
alsu:

ロングメモリーとは、ある値に対するHが0.5と大きく異なることを意味し、当然ながら商ではそのようなことはない。この分野での試みは、主にHが小さなサンプルで確実に推定することが非常に難しいため、100本や1000本のローソク足での結果は信用できないからである。そして、より大きな間隔では、Hはむしろ半分に近く、すなわち、価格の動きに関する（有用な）情報はむしろ少なく、少なくともスプレッドを打ち負かすことができるような情報である。

私にとって、ウィンドウの幅はかなり重要です。

数百の観測窓の幅で、極限定理が働き始め、平均温度がそのmoに向かって非常に速く移動し始めるのです。そして、実際に、次のバーを予測するために必要なことは何でしょうか？

私のTCでは、常に最適なウィンドウ幅を見つけるよう心がけています。30～70回の観測で変化します（H1の場合）。118（上半期の1週間）を過ぎると、様相が急変する。そこで、「ロングメモリー」という言葉を考えるようになったのです。

ZS. 分数積分モデルの文献では、通常、long memoryと書き、序文で "Hurst, fractals, thick tails "と書いています。

1...293031323334353637383940414243...46
新しいコメント