出来高、ボラティリティ、ハースト指数 - ページ 29

新しいコメント
 
faa1947:

以前、別のスレッドで、あるタイムフレームを共振周波数で引用することと、別のタイムフレームを引用することは全く別のことであることを証明しようとした書き込みがあります。

そのプログラムが期間を計測する単位をまだ理解していないのか？
 
joo:
.....

ちょっとごちゃごちゃしていますが、別の定義はなく、私が守る原則です。私の考えでは、私が定義したようなパターノンは、相関関係や他の統計的手法では調査できず、一般に、特徴的なパターノンを解析的に数式で導き出すことは不可能です。なぜなら、パターノンは絶えず現れ、消え、互いに流れ、私が言ったように、それぞれのTFにおいて、互いに依存しない異なるパターノンが存在するからです。異なるTFのPATTERNの組み合わせで、異なるがその時々に特化した捜査PATTERNが得られる。万華鏡や雪の結晶の模様のように、パターンは無限にあるが、「ありえない」模様の出現を排除するのである。つまり、パターンの集合以外の集合が存在するのである。

これらのことから、パターンを異なるTFで同時に解析することが必要であることがわかる。離散的な信号しか得られない「スリースクリーン法」とは異なります。フローイングパターンの方法（まあ、私の方法にようやく名前がついたわけですが）は、時間的に連続した（研究対象のBPで可能な最小の離散化で）シグナルを与えます。

....

あ、あともうひとつ。人間の比喩的思考に似ている。個々のイメージは思考に大きな役割を果たさないし、同じ概念でも人によってイメージは異なる。しかし、思考し、新しいイメージを生み出し、新しい情報を得ることができるのは、すべてのイメージまたはイメージ群の総体なのである。イメージには、現実に即した新たなイメージの生成が可能な、ある種の最小限のレベルが存在すると言えるでしょう。こうして、すでにある知識・イメージの上にのみ、新しい知識・発見が人類に現れるのである。
 
Candid:
そのプログラムが期間を測定する単位をまだ理解していないのですか？

予告編もあげました。把握する必要はないんですよ～分。FXでは使用しないため、このプログラムには周波数はありません。
 
Farnsworth:
toHideYourRichessto faa1947

しかし、FAを深く掘り下げると、相関積分、情報次元、エントロピー、特異点など、いろいろなものを突き詰めていった結果、このようなことになりました。(お気づきのように私です。「つぶす」知性 :o)))+ と楽観視していると、一つの非常に重要な結論に達することができる。見積もりは非常に複雑なプロセスですが、ランダムではありません（！！！）。プロセスは騒がしくなく、見たままである - しかし、非常に複雑である（！！）。

自分でバイクを再発明するのであれば、そうですね。

トレンド＋波（たぶん）＋ノイズという、かなり広く受け入れられている相場モデルがあります。ARPSS（1976年！）と呼ばれるものです。このモデルは非定常な商で機能しますが、普遍的ではありません。だから、日常にはモデルが特定できない部分があるのです。しかし、特定できる部分については、予測することができます。私の考えでは、このモデルがうまく機能しない分野にも拡張を試みるのが正しい方法だと思います。これも1984年に行われ、その後多くの改良が加えられGARCHと呼ばれている。

実際、ARPSSはGARCHとともにパターンも探しますが、過去に探したように（「ヘッド＆ショルダー」）、今はTCで探します（TCが何を探すかは、言葉で説明できないことが多いです）。しかし、ポイントは同じです。勝つ確率を有利にすることで、楽観主義はすぐに悲観主義に変わってしまいます。

 

類似性を幾何学的な 類似性だけで解釈しようとする人の執念には、本当に驚かされます。類似性を示す完璧な具体例が示されているにもかかわらず、私は統計的なハイ・ローと｜Close-Open｜の比率を指しているのです。それが本当の意味での類似点です。ちなみに、YuriさんのZZの例はもっといいのかもしれませんが、個人のアカウントのようなので、ここには持ってきません。

もう一つ、理解しがたい頑固さの素晴らしい例として、実列に理想的なフラクタルが必要であることが挙げられます。

ところで、このパターンは、もしかしたら「ほとんど乱れのない」フラクタル展開の断片に過ぎないのかもしれません。もちろん、それは長くは続きません。

また、分と日を比較するのは正しくないと思います。例えば、ユーロ分では400万本近くあります。3316がある日はただ、分歴でよく似た箇所が結構見つかるんですよね。

最近のプルバック分布とのオフトピックも、実は全然オフトピックではなく、本当に似たような例なんです。100pipsを通過して23％ロールバックし、さらに50pips（合計150pips）を通過してまた23％ロールバックする--似ていると思いませんか？

ここで現実の木とフラクタル木は違う、だからフラクタルという科学は必要ない」というような議論は、これ以上考えない方がいいと思います。


もう一つの疑問は、このような類似性からどのようにお金を稼ぐのかがあまり明確でないことです。そのため、より適切な特性を探すために、考えてみることをお勧めします。

 
faa1947:

予告編もあげました。把握する必要はないんですよ～分。FXでは周波数が適用されないため、このプログラムには周波数がありません。
そうではなく、棒の本数で測定されます。そのスレッドで書いたのですが、その書き込みを見逃しただけのようですね。
 
faa1947:

トレンド＋波（たぶん）＋ノイズという、かなり広く受け入れられている相場モデルがあります。ARPSS（1976年！）と呼ばれるものです。このモデルは非定常的な商で機能するが、普遍的なものではない。だから、日常にはモデルが特定できない部分があるのです。しかし、特定できる部分については、予測することができます。私の考えでは、このモデルがうまく機能しない分野にも拡張を試みるのが正しい方法だと思います。これも1984年に行われ、その後多くの改良が加えられGARCHと呼ばれている。

まあ見積もりでノイズを分離することはできないのですが......どうやら試していないからわからないようですね。そして、ARPSSは引用に役立つことはなく、これらのプロットを見つけることはできません。こんな賢い大富豪が大勢でこのあたりを歩いていたら、島と城だけでは足りなくなりますよ。:о)ノイズを分離するということは、適切なモデルを見つけるということです。

実際、ARPSSはGARCHとともにパターンも探しますが、過去に探したように（「ヘッド＆ショルダー」）、今はTCで探します（TCが何を探すかは、言葉で説明できないことが多いです）。しかし、ポイントは同じです。勝つ確率を高くすれば、楽観主義はすぐに悲観主義に変わってしまいます。

いやぁ～、全然ノーコメントですね。

PS: 非定常系列とARの作品についてですが、AR、ARPSS、GARCHと同様のものには大きな制限があります。これらのモデルは機能しませんし、機能させるためには楽観主義が必要です :o)ちなみに、私は上に挙げたモデルのいくつかをランダム構造のモデルとして使っています。そういう問題じゃないんです。

私の考えでは、このモデルがうまく機能しない分野では、その延長線上にあるものを試してみるのが正しい方法だと思います。

これは本来、あなたのものです。

自分でバイクを発明するのであれば、そうですね。

問題は、これらのモデルが機能し始める位相空間を見つけることである。そして、それがすべてです。そして、自転車の再発明、これなくしてどうする:o)

 
FreeLance:

もちろん「野暮」ですが、「未熟」な私にSlutsky-Yuleパラドックス／効果の理由を説明してください。

そうでなければ、ランダム変数の追加が理解できない。

特に、自己相似性というテーマでの推論ですね。

回答するのを忘れた。スラットキー・ユール効果とは、非常にシンプルに説明できるものだと思います。順を追って見ていくと、時点t1では、スライディングウィンドウ（w）が時系列の ある長さを固定し、研究対象のサンプルを限定します。t2時点では、同じウィンドウが1カウント分移動していますが、ウィンドウの「充填」はどのように変化するのでしょうか？


あまりないですね:o)。長さwの新しいサンプルでは、1サンプルだけが1カウント分ずれる。つまり、1ステップ移動すると、1つの値を除いたサンプル（w-1）全体が保持されるのです。長さwのランダムなサンプルを取って、シフトすると、ゆるやかに区別された2つのサンプルが得られます。すべての統計的特性は、有意な差はありません。つまり、実際には存在しない相関関係や疑似サイクルが存在することになる。完全にランダムなシリーズで試せば、この効果を存分に発揮してくれるでしょう。


追記：この点については、MAを使わないことを強くお勧めします。ランダム性に騙される :o)))

科学者諸君!

私は科学者ではありません。

 
Farnsworth:

引用でノイズを分離することはできない--どうやら、やってみないとわからないようですね。そして、ARPSSは引用に役立つことはなく、これらのプロットを見つけることはできません。私たち大富豪のような賢い人間がもっとこのあたりを歩いていれば......島と城だけでは物足りなくなるはずです。:о)ノイズを分離するということは、適切なモデルを見つけるという ことです。

ARPSSを使うなら、わからないでもないですが。ARPSSの前提は、「トレンド＋波＋ノイズ」です。

追記：ARは非定常系列にも有効ですが、AR、ARPSS、GARCHなどには大きな制約があります。これらのモデルは機能しませんが、機能させるためには、私はいくつかの楽観主義が必要です。

あるいは資格、資格第一。

問題は、これらのモデルが機能し始める位相空間を見つけることである。

このことについていろいろ考えているのですが、何もありません。もしかしたら、あなたの結果を教えていただけませんか？

 
Candid:
そうではなく、バーで測定されます。そのスレッドで書いたのですが、見逃してしまったようですね。

確かに。
1...22232425262728293031323334353637
新しいコメント