그런데 Wiener 프로세스의 경우 차익거래 기준으로 사용할 수 있는 또 다른 관계가 있습니다. 가우스 분포의 경우 평균 및 sco 값이 명시적으로 계산되므로 sco/mean = root(pi/2)가 됩니다. 그리고 이것은 파티션의 모든 매개변수 H에도 해당됩니다. 예를 들어 귀하의 사진에 있는 분포에 대해 우리가 실제로 가지고 있는 것을 확인하는 것은 흥미로울 것입니다.
대칭 RF의 경우 다음이 참입니다. speed=SQRT(Sum[(Mx)^2]/[n-1]), mean=Sum[(Mx)]/n), 그 다음 speed/mean != root(pi /2).
무슨 말인지 설명해?
내가 이해하는 한, 귀하의 공식에서 M은 단지 평균입니다. 첫 번째 중심 모멘트, n은 x 요소의 수입니다. 그리고 이것들은 n개의 요소, 즉 샘플에 대한 속도와 평균을 결정하기 위한 공식입니다. 그리고 정규분포 시퀀스 {x} 전체에 대한 극한값을 의미합니다.
그건 그렇고, 내가 틀렸다. 평균이 아니라 모듈의 평균을 의미했습니다. 따라서 이론적으로 M=0이고 sko>0인 1차원 브라운 운동의 첫 번째 차분 분포를 설명해야 하는 가우스 DF의 경우 |x| (즉, 모듈의 평균)은 분석 형식으로 계산되며 = 속도 * 루트(2/pi)입니다. 여기서 비율이 나옵니다.
물론 샘플의 경우 차이가 있을 수 있습니다. 그러나 10^6 틱과 같은 숫자의 경우 이 차이가 크지 않아야 합니다. 특히 이 간격의 끝이 서로 멀지 않은 경우. 그러나 이것은 프로세스가 Wiener이고 정규 분포로 설명되는 경우에만 해당됩니다.
그건 그렇고, 내가 틀렸다. 평균이 아니라 모듈의 평균을 의미했습니다. 따라서 이론적으로 M=0이고 sko>0인 1차원 브라운 운동의 첫 번째 차분 분포를 설명해야 하는 가우스 DF의 경우 |x| (즉, 모듈의 평균)은 분석 형식으로 계산되며 = 속도 * 루트(2/pi)입니다. 여기서 비율이 나옵니다.
물론 샘플의 경우 차이가 있을 수 있습니다. 그러나 10^6 틱과 같은 숫자의 경우 이 차이가 크지 않아야 합니다. 특히 이 간격의 끝이 서로 멀지 않은 경우. 그러나 이것은 프로세스가 Wiener이고 정규 분포로 설명되는 경우에만 해당됩니다.
이제 우리가 가지고 있는 샘플에 대해서도 모든 것이 정확합니다: speed*root(2/pi). 사실, 프로세스는 정규 분포와 거리가 멀습니다.
이제 우리가 가지고 있는 샘플에 대해서도 모든 것이 정확합니다: speed*root(2/pi). 사실, 프로세스는 정규 분포와 거리가 멀습니다.
그리고 확실히 Wienerovsky는 아닙니다(교대 상관도는 0과 다름):
흥미롭게도 EURJPY 틱의 경우 |x|=sko*root(2/pi) 관계가 충족되지만 분포가 일반적인 것과 다릅니다.
정상인지 아닌지를 어떻게 정의합니까? RF 그래프에서 동시에 정규 분포를 보는 것이 좋을 것입니다.
그러나 Karelogram의 부호 교대로 모든 것이 명확합니다. 지그재그 세그먼트(임의)용으로 구축된 경우 인접(및 모든 홀수 시프트) 세그먼트의 경우 상관 관계가 음수이고 모든 짝수 시프트의 경우 양수임이 분명합니다. 이제 첫 번째 눈금 차이에 대해 빌드하면 그림이 달라질 것입니다.
정상인지 아닌지를 어떻게 정의합니까? FR 차트와 정규분포를 동시에 보는 것이 좋을 것입니다.
물론이죠:
흥미롭게도 EURJPY 틱의 경우 |x|=sko*root(2/pi) 관계가 충족되지만 분포가 일반적인 것과 다릅니다.
글쎄, 거의 성취 :
그러나 Karelogram의 부호 교대로 모든 것이 명확합니다. 지그재그 세그먼트(임의)에 대해 구축된 경우 인접(및 모든 홀수 시프트) 세그먼트의 경우 상관 관계가 음수이고 모든 짝수 시프트에 대해 양수가 됩니다. 이제 첫 번째 눈금 차이에 대해 빌드하면 그림이 달라질 것입니다.
저기, 유라, 이해가 안 돼요. 나는 틱의 첫 번째 차이(지그재그와 관련이 없음)에 대한 상관도를 작성하여 "현재" 틱과 각 틱의 연결을 점점 더 멀리 보여줍니다. 나는 각각 n 틱의 판독에 의해 형성된 첫 번째 차이 사이의 상관 계수의 의존성을 보여줄 수 있습니다.
내가 따라잡지 못하는 무언가가 보인다. 로그 척도에서 정규 분포는 역포물선처럼 보여야 합니다(예: -x^2). 이 그림에서는 선형 관계(즉, -x)처럼 보이지만 이전 게시물에서는 과장법(즉, 1/x)처럼 보입니다. 이해가 안 되는 부분이 있으면 바로잡아주세요.
하지만 내가 옳다면 이 분포도 정상이 아니다.
Correlogram에 관해서는, 나는 이해했고, 나는 틀렸다. 참으로, 그러한 명확한 교대는 놀랍습니다. Lag=1에 대한 상당한 음수 값은 여전히 명확합니다. 그 토론에서도 우리는 특히 틱 수준에서 시장의 상당한 수익을 확신했습니다. 그건 그렇고, 진드기의 경우 대략 1.40-1.50 수준에서 매우 작은 Hvol 값을 얻었습니다. 내가 이해하는 바와 같이 마지막 상관도는 시장의 재발이 모든 수준에서 보존되지만 점근적으로는 오히려 빠르게 0이 되는 경향이 있음을 보여줍니다. 동의한다 ?
제 생각에는 0.89와 0.80의 차이가 크지는 않지만 매우 큽니다. 이것은 10% 이상입니다. 우리가 Hvol에 대해 얻은 듀스와의 차이점을 기억하십시오. 기본적으로 1.95-2.05 범위에 맞습니다. 10% 차이는 1.80(진드기에 대해서만 발생) 또는 2.20(발생한 적이 없음)입니다. 따라서 IMHO, 이 비율은 정규 분포와의 차이를 성공적으로 보여줍니다. 유일한 질문은 한 방향 또는 다른 방향에서 0.80과의 차이가 지속성-반지성의 척도로 사용될 수 있다는 것입니다.
추신
내가 메시지를 게시한 후 나는 당신이 사진을 변경하고 역포물선이 있는 것을 보았습니다. :-))
ACF가 이 작업을 훌륭하게 수행하기 때문에 새로운 지속성-반지속성 측정을 도입하는 이유는 무엇입니까? 아니면 뭔가를 놓치고 있습니까?
이 경우의 사용은 문제입니다. 파스투호프의 전략의 단순함과 그 명백한 명백함에도 불구하고 우리가 지나쳤던 함정이 있다고 생각합니다.
나는 눈금에 대한 분포와 여러 지그재그에 대한 분포를 대수 눈금으로 플로팅했으며 동일한 결과를 얻었습니다. 눈금의 경우 쌍곡선과 같은 곡선을 얻고 지그재그의 경우 직선을 얻습니다. 즉, 여기에는 정규 분포의 냄새가 없습니다. 진드기와 지그재그(진드기 기반)의 분포 유형이 근본적으로 다른 이유가 궁금합니다. 결국 틱은 매개변수 H=1의 가장 작은 값만 사용하는 동일한 지그재그입니다.
나는 새로운 조치를 제안한 것이 아니라 이 비율을 이 용량에서 사용할 수 있다고 말했습니다. 일반적으로 물리학과 수학에서 모든 문제는 여러 가지 방법으로 해결할 수 있습니다. 동시에 동일한 문제를 해결하는 것이 불가능한 훨씬 더 많은 방법이 있습니다. 일부 좌표에서는 미분 방정식의 해가 가능하지만 다른 좌표에서는 불가능합니다. 나는 ACF에 반대하는 것이 없습니다. 단지 이 방법이 다른 사람들만큼 익숙하지 않다는 것뿐입니다. 또한 ACF에 고정 지연을 지정해야 하며, 이는 눈금 또는 막대의 수와 동일합니다. 말하자면 x축을 따라 창을 고정하는 것입니다. 그리고 지그재그로 만들면 각 세그먼트에 완전히 다른 수의 눈금(막대)이 포함될 수 있습니다. 이것은 이미 y축을 따라 창을 고정하고 있는 것인데, 이른바 델타 변조입니다. 이 두 가지 방법은 근본적으로 다릅니다.
그러나 각각의 장점과 단점이 있습니다. ACF의 장점 중 하나는 연속적이고 비교적 부드러운 함수로 구성할 수 있다는 것입니다. 지그재그로 작업할 때는 불가능합니다. 두 옵션을 모두 사용하는 것이 합리적일 수 있습니다. 양자역학의 상보성 원리처럼. :-)
다음을 해보자. EURUSD의 경우 2006년의 모든 틱 및 모델 정규 분포 시리즈 2200000 카운트의 경우 H=1(지그재그 틱)에서 H=50까지의 모든 H에 대한 (Hvol-2) 및 비율(범위/|x|-0.80)을 계산할 것입니다. 그런 다음 비교에 사용했습니다. 그리고 당신은 AKF에 대해서도 똑같이 할 것입니다. 사진을 비교합니다. 최악의 경우 이러한 옵션이 동일하다는 것을 알 수 있습니다. 기껏해야 상호 보완적입니다.
아래는 Hvol 의존성과 속도/|leg|의 비율의 그래프입니다. EURUSD 2006 틱용으로 제작된 지그재그의 H 매개변수에서. (1969732 틱) 및 CB 라인업 (2200000 틱). H=1 ... 50 값의 범위에 대해 계산되었습니다. 사실 이것은 kagi 파티션입니다. 막대의 경우 지그재그와 일치할 수도 있고 일치하지 않을 수도 있지만 진드기의 경우 일치해야 합니다. |다리| - 지그재그 세그먼트 길이의 평균값.
편의상 차이(Hvol - 2)를 빨간색으로, 차이(scoo/|leg| - root(pi/2))를 파란색으로 표시하여 Hvol=2 값과의 차이를 바로 확인할 수 있으며, 무차익 시장에서 H-변동성이 취해야 하는 값과 속도/|leg|인 값 1.253314와의 차이 정규 분포를 받아들여야 합니다.
이 그래프에서 다음과 같은 사항을 볼 수 있습니다.
1. 실제 데이터에 대한 Hvol과 모델 SW에 대한 Hvol은 모두 2로 수렴하지만 측면은 다릅니다. 틱 데이터와 작은 H 값의 경우 2와의 차이가 중요합니다. 실제로 짧은 간격으로 시장의 수익은 상당합니다. 그것이 스프레드와 브로커의 금지가 아니었다면 핍싱 전략이 좋은 기회를 가질 수 있었던 이유라고 생각합니다.
2. 속도/|다리|의 비율 실제 데이터 및 모델 시리즈에서 H의 거의 모든 값에 대해 root(pi/2)=1.253314 값과 다릅니다. 유일한 예외는 SW 모델의 경우 H=1입니다. 이것은 kagi split(그리고 Renko도 생각합니다)이 그것이 구축된 원래 시리즈가 정규 분포를 따르더라도 비정규 분포를 가지고 있음을 시사합니다. 그리고 이것이 사실이라면 정규 분포에 기반한 모든 이론과 모델은 분명히 잘못된 것입니다.
3. 실제 데이터의 경우 ZigZag 세그먼트의 평균값이 정규 분포 계열보다 SCO 값에 훨씬 더 가깝습니다. SCO는 변동성의 척도이며 따라서 위험이기 때문에 실제 데이터를 사용하는 위험은 정규 분포 CV보다 적습니다. 이것이 Forex에서 여전히 승리할 수 있는 이유일 것입니다.
하지만 그게 다가 아닙니다. 지루한 고민 끝에 라인업이 정말 정상적으로 분배되는지 확인하기로 했습니다. 그리고 그는 불쾌하게 놀랐습니다. Sergey, 여기 유로와 해당 라인업에 대한 FR이 있습니다. 진드기에 대해 역포물선을 어떻게 비틀어도 작동하지 않습니다.
그러나 유로의 경우 정확히 동일한 곡선이 나타납니다. 아마도 이 모델 범위에서 실제 시리즈의 특성을 재현하기 위해 특별히 노력했기 때문이 아닐까요? 어쨌든, 나는 kagi 대형과 그 매개변수와 FR이 일반 CB에서 어떻게 작동하는지 보고 싶습니다. 예를 들어, 진드기에 대한 분포와 이 진드기에 구축된 지그재그에 대한 분포가 서로 근본적으로 다르다는 것을 보는 것은 매우 이상합니다.
가능하다면 이러한 개념에 대해 조금 더 자세히 알아보십시오. 불행히도, 나는 용어를 모릅니다. 어떤 종류의 VR을 분석하고 있는지 알고 싶습니다. 그것은 어떻게 얻습니까? 차트에 있는 내용을 이해합니다.
우리는 가장 일반적인 지그재그에 대해 이야기하고 있습니다. 우리는 지그재그 브레이크의 평균 높이가 포메이션 단계와 어떻게 관련되는지 이해하려고 노력하고 있습니다. 그래프는 높이의 모든 변형과 H=10포인트의 계단에 대한 만남 빈도를 보여줍니다.
그런데 Wiener 프로세스의 경우 차익거래 기준으로 사용할 수 있는 또 다른 관계가 있습니다. 가우스 분포의 경우 평균 및 sco 값이 명시적으로 계산되므로 sco/mean = root(pi/2)가 됩니다. 그리고 이것은 파티션의 모든 매개변수 H에도 해당됩니다. 예를 들어 귀하의 사진에 있는 분포에 대해 우리가 실제로 가지고 있는 것을 확인하는 것은 흥미로울 것입니다.
대칭 RF의 경우 다음이 참입니다. speed=SQRT(Sum[(Mx)^2]/[n-1]), mean=Sum[(Mx)]/n), 그 다음 speed/mean != root(pi /2).
무슨 말인지 설명해?
내가 이해하는 한, 귀하의 공식에서 M은 단지 평균입니다. 첫 번째 중심 모멘트, n은 x 요소의 수입니다. 그리고 이것들은 n개의 요소, 즉 샘플에 대한 속도와 평균을 결정하기 위한 공식입니다. 그리고 정규분포 시퀀스 {x} 전체에 대한 극한값을 의미합니다.
그건 그렇고, 내가 틀렸다. 평균이 아니라 모듈의 평균을 의미했습니다. 따라서 이론적으로 M=0이고 sko>0인 1차원 브라운 운동의 첫 번째 차분 분포를 설명해야 하는 가우스 DF의 경우 |x| (즉, 모듈의 평균)은 분석 형식으로 계산되며 = 속도 * 루트(2/pi)입니다. 여기서 비율이 나옵니다.
물론 샘플의 경우 차이가 있을 수 있습니다. 그러나 10^6 틱과 같은 숫자의 경우 이 차이가 크지 않아야 합니다. 특히 이 간격의 끝이 서로 멀지 않은 경우. 그러나 이것은 프로세스가 Wiener이고 정규 분포로 설명되는 경우에만 해당됩니다.
그건 그렇고, 내가 틀렸다. 평균이 아니라 모듈의 평균을 의미했습니다. 따라서 이론적으로 M=0이고 sko>0인 1차원 브라운 운동의 첫 번째 차분 분포를 설명해야 하는 가우스 DF의 경우 |x| (즉, 모듈의 평균)은 분석 형식으로 계산되며 = 속도 * 루트(2/pi)입니다. 여기서 비율이 나옵니다.
물론 샘플의 경우 차이가 있을 수 있습니다. 그러나 10^6 틱과 같은 숫자의 경우 이 차이가 크지 않아야 합니다. 특히 이 간격의 끝이 서로 멀지 않은 경우. 그러나 이것은 프로세스가 Wiener이고 정규 분포로 설명되는 경우에만 해당됩니다.
이제 우리가 가지고 있는 샘플에 대해서도 모든 것이 정확합니다: speed*root(2/pi). 사실, 프로세스는 정규 분포와 거리가 멀습니다.
그리고 확실히 Wienerovsky는 아닙니다(교대 상관도는 0과 다름):
이제 우리가 가지고 있는 샘플에 대해서도 모든 것이 정확합니다: speed*root(2/pi). 사실, 프로세스는 정규 분포와 거리가 멀습니다.
그리고 확실히 Wienerovsky는 아닙니다(교대 상관도는 0과 다름):
흥미롭게도 EURJPY 틱의 경우 |x|=sko*root(2/pi) 관계가 충족되지만 분포가 일반적인 것과 다릅니다.
정상인지 아닌지를 어떻게 정의합니까? RF 그래프에서 동시에 정규 분포를 보는 것이 좋을 것입니다.
그러나 Karelogram의 부호 교대로 모든 것이 명확합니다. 지그재그 세그먼트(임의)용으로 구축된 경우 인접(및 모든 홀수 시프트) 세그먼트의 경우 상관 관계가 음수이고 모든 짝수 시프트의 경우 양수임이 분명합니다. 이제 첫 번째 눈금 차이에 대해 빌드하면 그림이 달라질 것입니다.
정상인지 아닌지를 어떻게 정의합니까? FR 차트와 정규분포를 동시에 보는 것이 좋을 것입니다.
물론이죠:
글쎄, 거의 성취 :
그러나 Karelogram의 부호 교대로 모든 것이 명확합니다. 지그재그 세그먼트(임의)에 대해 구축된 경우 인접(및 모든 홀수 시프트) 세그먼트의 경우 상관 관계가 음수이고 모든 짝수 시프트에 대해 양수가 됩니다. 이제 첫 번째 눈금 차이에 대해 빌드하면 그림이 달라질 것입니다.
저기, 유라, 이해가 안 돼요. 나는 틱의 첫 번째 차이(지그재그와 관련이 없음)에 대한 상관도를 작성하여 "현재" 틱과 각 틱의 연결을 점점 더 멀리 보여줍니다. 나는 각각 n 틱의 판독에 의해 형성된 첫 번째 차이 사이의 상관 계수의 의존성을 보여줄 수 있습니다.
내가 따라잡지 못하는 무언가가 보인다. 로그 척도에서 정규 분포는 역포물선처럼 보여야 합니다(예: -x^2). 이 그림에서는 선형 관계(즉, -x)처럼 보이지만 이전 게시물에서는 과장법(즉, 1/x)처럼 보입니다. 이해가 안 되는 부분이 있으면 바로잡아주세요.
하지만 내가 옳다면 이 분포도 정상이 아니다.
Correlogram에 관해서는, 나는 이해했고, 나는 틀렸다. 참으로, 그러한 명확한 교대는 놀랍습니다. Lag=1에 대한 상당한 음수 값은 여전히 명확합니다. 그 토론에서도 우리는 특히 틱 수준에서 시장의 상당한 수익을 확신했습니다. 그건 그렇고, 진드기의 경우 대략 1.40-1.50 수준에서 매우 작은 Hvol 값을 얻었습니다. 내가 이해하는 바와 같이 마지막 상관도는 시장의 재발이 모든 수준에서 보존되지만 점근적으로는 오히려 빠르게 0이 되는 경향이 있음을 보여줍니다. 동의한다 ?
제 생각에는 0.89와 0.80의 차이가 크지는 않지만 매우 큽니다. 이것은 10% 이상입니다. 우리가 Hvol에 대해 얻은 듀스와의 차이점을 기억하십시오. 기본적으로 1.95-2.05 범위에 맞습니다. 10% 차이는 1.80(진드기에 대해서만 발생) 또는 2.20(발생한 적이 없음)입니다. 따라서 IMHO, 이 비율은 정규 분포와의 차이를 성공적으로 보여줍니다. 유일한 질문은 한 방향 또는 다른 방향에서 0.80과의 차이가 지속성-반지성의 척도로 사용될 수 있다는 것입니다.
추신
내가 메시지를 게시한 후 나는 당신이 사진을 변경하고 역포물선이 있는 것을 보았습니다. :-))
내가 이해하는 바와 같이 마지막 상관도는 시장의 재발이 모든 수준에서 보존되지만 점근적으로는 오히려 빠르게 0이 되는 경향이 있음을 보여줍니다. 동의한다 ?
동의한다! VR의 이 속성을 효과적으로 사용하는 방법을 배울 수 있기를 바랍니다.
따라서 IMHO, 이 비율은 정규 분포와의 차이를 성공적으로 보여줍니다. 유일한 질문은 한 방향 또는 다른 방향에서 0.80과의 차이가 지속성-반지성의 척도로 사용될 수 있다는 것입니다.
ACF가 이 작업을 훌륭하게 수행하기 때문에 새로운 지속성-반지속성 측정을 도입하는 이유는 무엇입니까? 아니면 뭔가를 놓치고 있습니까?
동의한다! VR의 이 속성을 효과적으로 사용하는 방법을 배우는 것이 좋을 것입니다.
ACF가 이 작업을 훌륭하게 수행하기 때문에 새로운 지속성-반지속성 측정을 도입하는 이유는 무엇입니까? 아니면 뭔가를 놓치고 있습니까?
이 경우의 사용은 문제입니다. 파스투호프의 전략의 단순함과 그 명백한 명백함에도 불구하고 우리가 지나쳤던 함정이 있다고 생각합니다.
나는 눈금에 대한 분포와 여러 지그재그에 대한 분포를 대수 눈금으로 플로팅했으며 동일한 결과를 얻었습니다. 눈금의 경우 쌍곡선과 같은 곡선을 얻고 지그재그의 경우 직선을 얻습니다. 즉, 여기에는 정규 분포의 냄새가 없습니다. 진드기와 지그재그(진드기 기반)의 분포 유형이 근본적으로 다른 이유가 궁금합니다. 결국 틱은 매개변수 H=1의 가장 작은 값만 사용하는 동일한 지그재그입니다.
나는 새로운 조치를 제안한 것이 아니라 이 비율을 이 용량에서 사용할 수 있다고 말했습니다. 일반적으로 물리학과 수학에서 모든 문제는 여러 가지 방법으로 해결할 수 있습니다. 동시에 동일한 문제를 해결하는 것이 불가능한 훨씬 더 많은 방법이 있습니다. 일부 좌표에서는 미분 방정식의 해가 가능하지만 다른 좌표에서는 불가능합니다. 나는 ACF에 반대하는 것이 없습니다. 단지 이 방법이 다른 사람들만큼 익숙하지 않다는 것뿐입니다. 또한 ACF에 고정 지연을 지정해야 하며, 이는 눈금 또는 막대의 수와 동일합니다. 말하자면 x축을 따라 창을 고정하는 것입니다. 그리고 지그재그로 만들면 각 세그먼트에 완전히 다른 수의 눈금(막대)이 포함될 수 있습니다. 이것은 이미 y축을 따라 창을 고정하고 있는 것인데, 이른바 델타 변조입니다. 이 두 가지 방법은 근본적으로 다릅니다.
그러나 각각의 장점과 단점이 있습니다. ACF의 장점 중 하나는 연속적이고 비교적 부드러운 함수로 구성할 수 있다는 것입니다. 지그재그로 작업할 때는 불가능합니다. 두 옵션을 모두 사용하는 것이 합리적일 수 있습니다. 양자역학의 상보성 원리처럼. :-)
다음을 해보자. EURUSD의 경우 2006년의 모든 틱 및 모델 정규 분포 시리즈 2200000 카운트의 경우 H=1(지그재그 틱)에서 H=50까지의 모든 H에 대한 (Hvol-2) 및 비율(범위/|x|-0.80)을 계산할 것입니다. 그런 다음 비교에 사용했습니다. 그리고 당신은 AKF에 대해서도 똑같이 할 것입니다. 사진을 비교합니다. 최악의 경우 이러한 옵션이 동일하다는 것을 알 수 있습니다. 기껏해야 상호 보완적입니다.
하자!
무엇을 구축해야 합니까? - 지그재그용 Corelogram 또는 H=1...50용 Kagi 파티션용. 이것들이 같은 것이 아니라는 사실은 그림에서 알 수 있습니다. 그 위에 흰색 지그재그가 실제 극한값이고 파란색-빨간색 파선이 카기 포메이션입니다.
Zig-Zag에 대한 상관도를 작성하는 것이 무의미하다는 것이 분명합니다. 그것은 분명히 부호가 번갈아 가며 모듈로 경향이 1입니다. Kagi 구조로 흥미로워 질 수 있습니다 ...
그러면 변동성이 동일한 Wiener 프로세스에 대해 동일한 작업을 수행해야 합니까, 아니면 실제 상관도와 일치하는 정규 분포 모델 시리즈에 대해 동일한 작업을 수행해야 합니까?
짐 죄송합니다. 당신은 단지 그것을하고 싶지 않습니다.
무엇을 구축해야 합니까?
Sergey, 내가 한 일을 보면 모든 것을 이해할 수 있습니다.
아래는 Hvol 의존성과 속도/|leg|의 비율의 그래프입니다. EURUSD 2006 틱용으로 제작된 지그재그의 H 매개변수에서. (1969732 틱) 및 CB 라인업 (2200000 틱). H=1 ... 50 값의 범위에 대해 계산되었습니다. 사실 이것은 kagi 파티션입니다. 막대의 경우 지그재그와 일치할 수도 있고 일치하지 않을 수도 있지만 진드기의 경우 일치해야 합니다. |다리| - 지그재그 세그먼트 길이의 평균값.
편의상 차이(Hvol - 2)를 빨간색으로, 차이(scoo/|leg| - root(pi/2))를 파란색으로 표시하여 Hvol=2 값과의 차이를 바로 확인할 수 있으며, 무차익 시장에서 H-변동성이 취해야 하는 값과 속도/|leg|인 값 1.253314와의 차이 정규 분포를 받아들여야 합니다.
이 그래프에서 다음과 같은 사항을 볼 수 있습니다.
1. 실제 데이터에 대한 Hvol과 모델 SW에 대한 Hvol은 모두 2로 수렴하지만 측면은 다릅니다. 틱 데이터와 작은 H 값의 경우 2와의 차이가 중요합니다. 실제로 짧은 간격으로 시장의 수익은 상당합니다. 그것이 스프레드와 브로커의 금지가 아니었다면 핍싱 전략이 좋은 기회를 가질 수 있었던 이유라고 생각합니다.
2. 속도/|다리|의 비율 실제 데이터 및 모델 시리즈에서 H의 거의 모든 값에 대해 root(pi/2)=1.253314 값과 다릅니다. 유일한 예외는 SW 모델의 경우 H=1입니다. 이것은 kagi split(그리고 Renko도 생각합니다)이 그것이 구축된 원래 시리즈가 정규 분포를 따르더라도 비정규 분포를 가지고 있음을 시사합니다. 그리고 이것이 사실이라면 정규 분포에 기반한 모든 이론과 모델은 분명히 잘못된 것입니다.
3. 실제 데이터의 경우 ZigZag 세그먼트의 평균값이 정규 분포 계열보다 SCO 값에 훨씬 더 가깝습니다. SCO는 변동성의 척도이며 따라서 위험이기 때문에 실제 데이터를 사용하는 위험은 정규 분포 CV보다 적습니다. 이것이 Forex에서 여전히 승리할 수 있는 이유일 것입니다.
하지만 그게 다가 아닙니다. 지루한 고민 끝에 라인업이 정말 정상적으로 분배되는지 확인하기로 했습니다. 그리고 그는 불쾌하게 놀랐습니다. Sergey, 여기 유로와 해당 라인업에 대한 FR이 있습니다. 진드기에 대해 역포물선을 어떻게 비틀어도 작동하지 않습니다.
그러나 유로의 경우 정확히 동일한 곡선이 나타납니다. 아마도 이 모델 범위에서 실제 시리즈의 특성을 재현하기 위해 특별히 노력했기 때문이 아닐까요? 어쨌든, 나는 kagi 대형과 그 매개변수와 FR이 일반 CB에서 어떻게 작동하는지 보고 싶습니다. 예를 들어, 진드기에 대한 분포와 이 진드기에 구축된 지그재그에 대한 분포가 서로 근본적으로 다르다는 것을 보는 것은 매우 이상합니다.