Извините, что вот влез, значительно после обсуждения этой темы, но так получилось. Вероятно, это уже не так актуально. Но по-прежнему надеюсь, что кто-то поможет разобраться с моими вопросами.
책에서 제안한 접근 방식을 적용하려면 책에서 설명한 것과 똑같이 해야 합니다. 이 책은 브라운 운동에 대해서만 상세한 예를 제공합니다! 즉, 브라운 운동의 "지류" 샘플이 다른 허스트 계수를 시각적으로 어떻게 보여야 하는지 보여줍니다. 난수 생성기를 가져 와서 발생 확률을 설정하여 백색 잡음에서 상호 의존적인 트랜잭션을 생성하면 책에서와 거의 동일한 그림을 얻을 수 있습니다. 즉, 먼저 프랙탈 관찰 노이즈("지류" 선택)를 수신하고 합산하여 무언가의 실제 물리적 움직임(이 경우 브라운 노이즈 오실로그램)을 얻습니다. 물리적 움직임의 진폭에서 허스트 계수(상호의존적 트랜잭션의 확률)가 많을수록 물리적 움직임의 진폭이 더 커짐을 알 수 있습니다. 이 책의 예를 통해 궁극적으로 무엇을 이해할 수 있습니까? 우리는 이미 "허스트 계수(상호의존적 거래의 확률)가 높을수록 물리적 움직임 자체의 진폭 진폭이 더 크다"고 이미 말한 것을 이해할 수 있습니다. 그런 다음 이 정보가 예후 측면에서 우리에게 정확히 무엇을 제공합니까? 나는 2번 쓴 것을 제외하고는 정확하게 대답할 수 있습니다. 저자는 책에서 무엇을 더합니까? 그들은 제안된 계산(브라우니안 모션 분석)을 다른 자본 시장에 적용합니다. 모든 시장(또는 거의 모든)에서 Hurst 지수는 0.5보다 크며, 특히 EURUSD의 경우 내가 틀리지 않았다면 0.64입니다. 다음은 무엇입니까? 그리고 아무것도! 시장에서의 거래가 대부분 상호 의존적이라는 것을 알고 있다는 점을 제외하고. 그러나 사람들이 어제 가격이 어디로 이동했는지에 따라 추세에 반대하기보다는 추세를 따를 가능성이 더 높다는 것을 항상 알고 있다고 가정해 봅시다. 이 때문에 시장에는 이전 움직임을 기준으로 명확한 추세가 있는 기간이 있습니다. 이것은 모든 사람에게 분명합니다. 그리고 Vladislav는 선형 회귀 채널을 예측하기 위해 이 접근 방식을 적용하려고 했습니다. 즉, 그는 "가까운 미래에 채널에 무슨 일이 일어날 것입니까? 그것이 계속 될 것입니까 아니면 존재를 끝낼 것입니까?"라는 질문에 대한 답을 얻기 위해 이미 존재하는 가격 움직임에 대한 "조수"를 계산하는 방법을 크게 변경했습니다. ."
강조 표시된 "정확히 동일"은 내가 틀렸다는 것을 의미합니까? 아마도 그는 매우 열심히 노력하는 것처럼 보였고 책에 따라 모든 것을했습니다. 그리고 지표 계산에 대한 일반적인 접근 방식을 설명하고, 예를 들어 브라운 운동과 Wolf 시리즈의 19번째 주기에 대한 결과가 제공됩니다(솔직히 그것이 무엇인지 모르겠습니다).
나는 내 알고리즘을 난수로 확인했고, 겉보기에 거의 맞는 결과를 얻었다(로그(N)에서 로그(R/S) 그래프를 첨부했다).
Vladislav의 알고리즘과 귀하의 알고리즘에서는 결국 H = log (R / S) / log (0.5 * N) 공식에 따라 지표 자체의 대략적인 추정이 수행됩니다. 그리고 이미 쓴 것처럼 더 정확한 알고리즘을 구현하기로 결정했습니다.
자세한 설명 덕분에 블라디슬라프의 접근 방식에 대한 일부 세부 사항을 모호하게 이해했습니다. 이제 정리가 되는 것 같습니다. 결국, 나는 당신의 계산과 Vladislav를 어떤 식으로든 의심하지 않습니다. 특히 그들이 훌륭하게 작동하기 때문입니다. :에 대한)))))
아니, 당신은 착각하지 않습니다! "정확히 동일"이라는 단어는 이 책에서 사용된 접근 방식이 이 책이 개발된 문제를 해결하는 데에만 적합하며 이미 여러 번 반복한 "일부 프로세스에서 트랜잭션(조수)의 상호 의존성 평가"를 의미합니다. 브라운과 비슷하다. 그러나 책에 나와 있는 형식으로 "가까운 미래에 채널을 따라 움직임을 예측"하는 문제를 해결하는 데 사용하는 것은 확실히 불가능합니다! 그래서 Vladislav는 평균 수준으로 현재 막대를 포함하지 않는 샘플에 구축된 선형 회귀 채널의 예측 값을 고려하여 "조수" 샘플을 얻는 측면에서 문제를 해결하기 위해 수정했습니다. 그가 제안한 개정의 의미에 대해 더 깊이 생각하면 적어도 박사 학위가 필요합니다. Vladislav가 필요하다면 그것에 대해 생각하십시오!
Выделенное «ТОЧНО ТАКЖЕ» говорит о том, что я ошибся?
아니, 당신은 착각하지 않습니다! "정확히 동일"이라는 단어는 이 책에서 사용된 접근 방식이 이 책이 개발된 문제를 해결하는 데에만 적합하며 이미 여러 번 반복한 "일부 프로세스에서 트랜잭션(조수)의 상호 의존성 평가"를 의미합니다. 브라운과 비슷하다. 그러나 책에 나와 있는 형식으로 "가까운 미래에 채널을 따라 움직임을 예측"하는 문제를 해결하는 데 사용하는 것은 확실히 불가능합니다! 그래서 Vladislav는 평균 수준으로 현재 막대를 포함하지 않는 샘플에 구축된 선형 회귀 채널의 예측 값을 고려하여 "조수" 샘플을 얻는 측면에서 문제를 해결하기 위해 수정했습니다.
예, 그러나 책에 있는 주어진 알고리즘은 "유입"의 내용에 대한 특별한 요구 사항을 제시하지 않습니다. 적어도 - 나는 그곳에서 그런 종류의 것을 찾지 못했고 우리가 논의한 문제 중 하나는 유입이 되는 방법이었습니다. 나는 당신에게서 귀중한 조언을 받았습니다. 고맙습니다.
Берется выборка в , допустим, 10000 баров, нарезается на неперсекающиеся интервалы в 20 баров, вычисляется средний Херст, далее нарезается по 21, 22 и так дале до 5000 баров. Потом строится аппроксимирующая прямая. Вот только что с ней делать в нашем случае - не ясно.
계산되는 것은 평균 Hurst가 아니라 두 좌표 Y=Log(R/S) 및 X=Log(N)입니다. 그리고 그것으로 무엇을 할 것인지도 분명해 보입니다. 다음과 같은 방정식 Y=Y(X)가 있습니다. Log(R/S) = H*Log(N) + A. 선형 회귀를 작성하고 계수와 절편을 결정해야 합니다. 허스트는 그녀의 계수입니다. 그리고 로그의 비율만 허스트가 아닙니다. 임호
Берется выборка в , допустим, 10000 баров, нарезается на неперсекающиеся интервалы в 20 баров, вычисляется средний Херст, далее нарезается по 21, 22 и так дале до 5000 баров. Потом строится аппроксимирующая прямая. Вот только что с ней делать в нашем случае - не ясно.
Вычисляется не средний Херст, а две координаты Y=Log(R/S) и X=Log(N). И что с этим делать, тоже вроде бы ясно. Есть уравнение Y=Y(X), которое выглядит так: Log(R/S) = H*Log(N) + A. Нужно построить линейную регрессию и определить ее коэффициент и свободный член. Херст - это ее коэффициент. А просто отношение логарифмов - это совсем не Херст. ИМХО
아니요, 이 샘플에 대한 평균 허스트입니다. :)
오늘 Fractal Analysis 책에서 이 알고리즘을 읽었습니다. 그런 다음 다른 공식에 따라 다른 알고리즘에 따라 구현했습니다. 나는 1에서 N으로 가고 각각의 현재 n에 대해 나는 log(R/S)와 log(N)을 센다. 그런 다음 근사 라인 y(x)=ax+b를 작성합니다. 계수 a는 허스트 지수 입니다. 아마도 여기에 근본적인 오류가 있을 것입니다. :에 대한)
허스트 지수 계산에 대한 추가 자료를 읽은 후 Feder의 연구를 접하게 되었습니다. 그는 경험적 법칙인 H=Log(R/S)/Log(0.5*N)가 오히려 제대로 작동하지 않고 작은 샘플에 대해서만 상대적으로 정확한 데이터를 제공한다고 주장했습니다(이 샘플의 크기에 대해서는 언급되지 않았습니다). 따라서 방법론적 자료에 따라 엄격하게 Hurst 지수 계산을 구현하기로 결정했습니다(Feder가 경고한 것보다 훨씬 더 나쁜 것으로 판명된 것 같습니다).
코드가 성능(많은 함수 호출 등) 면에서 가장 최적이 아닐 수도 있다는 것을 이해하지만 가장 중요한 것은 다릅니다. 계산 논리를 올바르게 나타내는지 여부를 스스로 명확히 하고 싶습니다. 내가 얻은 결과가 의심스러운 것처럼 보였기 때문에 나는 아는 사람들에게 눈을 돌리기로 결정했습니다. ... 추신: 포럼 회원들이 이해하는 데 도움이 되기를 바랍니다. Vladislav가 저에게 시간을 내어 그러한 간단한 기술이 잘못된 부분을 설명해 주시면 대단히 감사하겠습니다.
영점에서 천 좌표 격자에서 1000개의 임의의 브라운 입자를 가져옵니다. 이 지점에서 무작위 세력이 무작위 방향으로 폭격을 시작합니다. 여기서 Hurst는 또한 시간이 지남에 따라 입자와 좌표의 원점(벡터의 길이) 사이의 거리가 시간의 제곱근에 비례한다고 주장합니다. 왜 1000 채팅? 좋은 평균을 위해. 이 문제는 프로그래밍하고 테스트하기 쉽습니다.
영점에서 천 좌표 격자에서 1000개의 임의의 브라운 입자를 가져옵니다. 이 지점에서 무작위 세력이 무작위 방향으로 폭격을 시작합니다. 여기서 Hurst는 또한 시간이 지남에 따라 입자와 좌표의 원점(벡터의 길이) 사이의 거리가 시간의 제곱근에 비례한다고 주장합니다. 왜 1000 채팅? 좋은 평균을 위해. 이 문제는 프로그래밍하고 테스트하기 쉽습니다.
나는 그를 믿는다. 하지만 Feder는 정확한 값이 필요하다면 더 정확하게 계산할 필요가 있다고 주장했다. 여기 내가 구현하려고 시도한 것이 있습니다. 그리고 오늘 나는 Peters 씨가 일반적으로 그를 옳지 않다고 생각한다는 것을 알게 되었습니다.
친애하는 솔란더 . 물론 복잡하지 않은 경우 요청이 있습니다. 지표를 계산한 텍스트 파일 형식으로 샘플(유입)을 보내주시면(이메일: grasn@rambler.ru) 제 알고리즘을 사용하여 Hurst 지수 를 계산해 보겠습니다. 결과. 간단합니다. 지금은 Close[i] 형식의 유입을 사용하고 있습니다.
책에서 제안한 접근 방식을 적용하려면 책에서 설명한 것과 똑같이 해야 합니다. 이 책은 브라운 운동에 대해서만 상세한 예를 제공합니다! 즉, 브라운 운동의 "지류" 샘플이 다른 허스트 계수를 시각적으로 어떻게 보여야 하는지 보여줍니다. 난수 생성기를 가져 와서 발생 확률을 설정하여 백색 잡음에서 상호 의존적인 트랜잭션을 생성하면 책에서와 거의 동일한 그림을 얻을 수 있습니다. 즉, 먼저 프랙탈 관찰 노이즈("지류" 선택)를 수신하고 합산하여 무언가의 실제 물리적 움직임(이 경우 브라운 노이즈 오실로그램)을 얻습니다. 물리적 움직임의 진폭에서 허스트 계수(상호의존적 트랜잭션의 확률)가 많을수록 물리적 움직임의 진폭이 더 커짐을 알 수 있습니다. 이 책의 예를 통해 궁극적으로 무엇을 이해할 수 있습니까? 우리는 이미 "허스트 계수(상호의존적 거래의 확률)가 높을수록 물리적 움직임 자체의 진폭 진폭이 더 크다"고 이미 말한 것을 이해할 수 있습니다. 그런 다음 이 정보가 예후 측면에서 우리에게 정확히 무엇을 제공합니까? 나는 2번 쓴 것을 제외하고는 정확하게 대답할 수 있습니다. 저자는 책에서 무엇을 더합니까? 그들은 제안된 계산(브라우니안 모션 분석)을 다른 자본 시장에 적용합니다. 모든 시장(또는 거의 모든)에서 Hurst 지수는 0.5보다 크며, 특히 EURUSD의 경우 내가 틀리지 않았다면 0.64입니다. 다음은 무엇입니까? 그리고 아무것도! 시장에서의 거래가 대부분 상호 의존적이라는 것을 알고 있다는 점을 제외하고. 그러나 사람들이 어제 가격이 어디로 이동했는지에 따라 추세에 반대하기보다는 추세를 따를 가능성이 더 높다는 것을 항상 알고 있다고 가정해 봅시다. 이 때문에 시장에는 이전 움직임을 기준으로 명확한 추세가 있는 기간이 있습니다. 이것은 모든 사람에게 분명합니다. 그리고 Vladislav는 선형 회귀 채널을 예측하기 위해 이 접근 방식을 적용하려고 했습니다. 즉, 그는 "가까운 미래에 채널에 무슨 일이 일어날 것입니까? 그것이 계속 될 것입니까 아니면 존재를 끝낼 것입니까?"라는 질문에 대한 답을 얻기 위해 이미 존재하는 가격 움직임에 대한 "조수"를 계산하는 방법을 크게 변경했습니다. ."
강조 표시된 "정확히 동일"은 내가 틀렸다는 것을 의미합니까? 아마도 그는 매우 열심히 노력하는 것처럼 보였고 책에 따라 모든 것을했습니다. 그리고 지표 계산에 대한 일반적인 접근 방식을 설명하고, 예를 들어 브라운 운동과 Wolf 시리즈의 19번째 주기에 대한 결과가 제공됩니다(솔직히 그것이 무엇인지 모르겠습니다).
나는 내 알고리즘을 난수로 확인했고, 겉보기에 거의 맞는 결과를 얻었다(로그(N)에서 로그(R/S) 그래프를 첨부했다).
Vladislav의 알고리즘과 귀하의 알고리즘에서는 결국 H = log (R / S) / log (0.5 * N) 공식에 따라 지표 자체의 대략적인 추정이 수행됩니다. 그리고 이미 쓴 것처럼 더 정확한 알고리즘을 구현하기로 결정했습니다.
자세한 설명 덕분에 블라디슬라프의 접근 방식에 대한 일부 세부 사항을 모호하게 이해했습니다. 이제 정리가 되는 것 같습니다. 결국, 나는 당신의 계산과 Vladislav를 어떤 식으로든 의심하지 않습니다. 특히 그들이 훌륭하게 작동하기 때문입니다.
:에 대한)))))
아니, 당신은 착각하지 않습니다! "정확히 동일"이라는 단어는 이 책에서 사용된 접근 방식이 이 책이 개발된 문제를 해결하는 데에만 적합하며 이미 여러 번 반복한 "일부 프로세스에서 트랜잭션(조수)의 상호 의존성 평가"를 의미합니다. 브라운과 비슷하다. 그러나 책에 나와 있는 형식으로 "가까운 미래에 채널을 따라 움직임을 예측"하는 문제를 해결하는 데 사용하는 것은 확실히 불가능합니다! 그래서 Vladislav는 평균 수준으로 현재 막대를 포함하지 않는 샘플에 구축된 선형 회귀 채널의 예측 값을 고려하여 "조수" 샘플을 얻는 측면에서 문제를 해결하기 위해 수정했습니다. 그가 제안한 개정의 의미에 대해 더 깊이 생각하면 적어도 박사 학위가 필요합니다. Vladislav가 필요하다면 그것에 대해 생각하십시오!
아니, 당신은 착각하지 않습니다! "정확히 동일"이라는 단어는 이 책에서 사용된 접근 방식이 이 책이 개발된 문제를 해결하는 데에만 적합하며 이미 여러 번 반복한 "일부 프로세스에서 트랜잭션(조수)의 상호 의존성 평가"를 의미합니다. 브라운과 비슷하다. 그러나 책에 나와 있는 형식으로 "가까운 미래에 채널을 따라 움직임을 예측"하는 문제를 해결하는 데 사용하는 것은 확실히 불가능합니다! 그래서 Vladislav는 평균 수준으로 현재 막대를 포함하지 않는 샘플에 구축된 선형 회귀 채널의 예측 값을 고려하여 "조수" 샘플을 얻는 측면에서 문제를 해결하기 위해 수정했습니다.
예, 그러나 책에 있는 주어진 알고리즘은 "유입"의 내용에 대한 특별한 요구 사항을 제시하지 않습니다. 적어도 - 나는 그곳에서 그런 종류의 것을 찾지 못했고 우리가 논의한 문제 중 하나는 유입이 되는 방법이었습니다. 나는 당신에게서 귀중한 조언을 받았습니다. 고맙습니다.
계산되는 것은 평균 Hurst가 아니라 두 좌표 Y=Log(R/S) 및 X=Log(N)입니다. 그리고 그것으로 무엇을 할 것인지도 분명해 보입니다.
다음과 같은 방정식 Y=Y(X)가 있습니다. Log(R/S) = H*Log(N) + A. 선형 회귀를 작성하고 계수와 절편을 결정해야 합니다. 허스트는 그녀의 계수입니다.
그리고 로그의 비율만 허스트가 아닙니다.
임호
아니요, 이 샘플에 대한 평균 허스트입니다. :)
Вычисляется не средний Херст, а две координаты Y=Log(R/S) и X=Log(N). И что с этим делать, тоже вроде бы ясно.
Есть уравнение Y=Y(X), которое выглядит так: Log(R/S) = H*Log(N) + A. Нужно построить линейную регрессию и определить ее коэффициент и свободный член. Херст - это ее коэффициент.
А просто отношение логарифмов - это совсем не Херст.
ИМХО
아니요, 이 샘플에 대한 평균 허스트입니다. :)
오늘 Fractal Analysis 책에서 이 알고리즘을 읽었습니다. 그런 다음 다른 공식에 따라 다른 알고리즘에 따라 구현했습니다. 나는 1에서 N으로 가고 각각의 현재 n에 대해 나는 log(R/S)와 log(N)을 센다. 그런 다음 근사 라인 y(x)=ax+b를 작성합니다. 계수 a는 허스트 지수 입니다. 아마도 여기에 근본적인 오류가 있을 것입니다.
:에 대한)
PS: 그렇게 계산하는 것이 정말 불가능한가요?
허스트 지수 계산에 대한 추가 자료를 읽은 후 Feder의 연구를 접하게 되었습니다. 그는 경험적 법칙인 H=Log(R/S)/Log(0.5*N)가 오히려 제대로 작동하지 않고 작은 샘플에 대해서만 상대적으로 정확한 데이터를 제공한다고 주장했습니다(이 샘플의 크기에 대해서는 언급되지 않았습니다). 따라서 방법론적 자료에 따라 엄격하게 Hurst 지수 계산을 구현하기로 결정했습니다(Feder가 경고한 것보다 훨씬 더 나쁜 것으로 판명된 것 같습니다).
코드가 성능(많은 함수 호출 등) 면에서 가장 최적이 아닐 수도 있다는 것을 이해하지만 가장 중요한 것은 다릅니다. 계산 논리를 올바르게 나타내는지 여부를 스스로 명확히 하고 싶습니다. 내가 얻은 결과가 의심스러운 것처럼 보였기 때문에 나는 아는 사람들에게 눈을 돌리기로 결정했습니다.
...
추신: 포럼 회원들이 이해하는 데 도움이 되기를 바랍니다. Vladislav가 저에게 시간을 내어 그러한 간단한 기술이 잘못된 부분을 설명해 주시면 대단히 감사하겠습니다.
영점에서 천 좌표 격자에서 1000개의 임의의 브라운 입자를 가져옵니다. 이 지점에서 무작위 세력이 무작위 방향으로 폭격을 시작합니다. 여기서 Hurst는 또한 시간이 지남에 따라 입자와 좌표의 원점(벡터의 길이) 사이의 거리가 시간의 제곱근에 비례한다고 주장합니다. 왜 1000 채팅? 좋은 평균을 위해. 이 문제는 프로그래밍하고 테스트하기 쉽습니다.
영점에서 천 좌표 격자에서 1000개의 임의의 브라운 입자를 가져옵니다. 이 지점에서 무작위 세력이 무작위 방향으로 폭격을 시작합니다. 여기서 Hurst는 또한 시간이 지남에 따라 입자와 좌표의 원점(벡터의 길이) 사이의 거리가 시간의 제곱근에 비례한다고 주장합니다. 왜 1000 채팅? 좋은 평균을 위해. 이 문제는 프로그래밍하고 테스트하기 쉽습니다.
나는 그를 믿는다. 하지만 Feder는 정확한 값이 필요하다면 더 정확하게 계산할 필요가 있다고 주장했다. 여기 내가 구현하려고 시도한 것이 있습니다. 그리고 오늘 나는 Peters 씨가 일반적으로 그를 옳지 않다고 생각한다는 것을 알게 되었습니다.
그것으로 충분할 것입니다. 숫자 열이면 모든 것을 스스로 할 것입니다.