점차적으로 모델과 현상에 접근합니다. 따라서 임의 구조의 확률적 모델은 모델 자체와 모델 간의 전환에 대한 설명을 의미합니다(즉, 이러한 모델이 생성하는 한 프로세스를 다른 프로세스에 의해 가로채는 일부 확률적 논리). VR은 100개의 Ito 미분 방정식으로 설명되며 즉시 모델을 식별하는 문제가 발생합니다. 어떤 기능, 어떤 변위 계수, 각각에 대한 확산 계수는 무엇이며 시스템 상태의 초기 확률 벡터는 무엇입니까? 일반적으로 -작업은 사소한 것이 아닙니다.
여기에서 사실 그는 초기 시계열 을 두 개의 하위 프로세스로 분해하는 변환을 생각해 냈습니다. 이전에는 비슷한 것을 본 적이 없지만 아마도 이것은 임의 함수의 표준 표현의 특별한 경우 중 하나일 것입니다. 누가 알겠어요, 저는 전문 수학자가 아닙니다. 그 본질은 막대를 통해 "체로"입니다. 중요하지 않습니다. 아직 수학을 게시하지 않을 것입니다. 아이디어와 개념을 파악해야 합니다. 변환 후에는 두 개의 프로세스만 얻어지고 이러한 프로세스는 선형이지만 더 복잡한 구조를 갖는 것이 중요합니다.
랜덤 프로세스. 프로세스는 증분 M 15에 대한 특성에 따라 조정됩니다.
변환 후 우리는 다음을 얻습니다.
랜덤 프로세스의 경우 계수 b ( alpha ) 및 b ( 오메가 )모델에서 모듈러스는 동일하고 길이의 차이는 그에 따라 하나 또는 다른 역학의 우세를 나타내며 임의 프로세스의 경우 분리된 프로세스의 내부 구조가 선에 가까울 것입니다. 아직 몇 가지 이론적인 문제가 있고 더 발전된 알고리즘의 개발이 있지만 이것은 다른 이야기입니다.
그건 그렇고, 분해 특성이 무작위 VR의 특성과 다르기 때문에 인용 프로세스가 무작위가 아니라는 간접적인(아직 엄격하게 입증되지 않은 의미에서) 진술(음... 모든 것이 아직 엄격하게 여기에 있는 것은 아닙니다).
따라서 상태(프로세스) 간의 전환 가능성에 대한 질문이 여전히 있습니다. 이러한 전환이 "Markovian"으로 인식될 수 있다면 Kolmogorov-Champen 공식에 따라 주어진 지평에 대해 미래에 시스템 상태의 확률을 얻을 수 있습니다.
가장 멋진 현상에 대해 (연구가 허용되는지 여부와 같이 기성 현상의 한 가지 일뿐만 아니라?). 그래서 나는 " 확률적 패턴 "(TA는 그것과 아무 관련이 없음)이 있다고 확신합니다. 매우 강한 확신이 있고 그들이 확인되기를 바랍니다. 내가 착각할 수도 있고, 그리고 나서 이미 느끼고 있어 상상만 해도 무섭다 파우카스결국, 손실된 이익에 대한 계정이 지불을 위해 제시될 것입니다.
Farnsworth : 내 이론에 따르면 DC에서 얻는 모든 것, 전체 OHLC - 모든 것이 인공적입니다. 그러나 진지하게 우리는 정기적인 간격으로 프로세스를 측정해야 합니다(엔지니어링 용어로 DSP가 더 친숙하고 정확합니다). OHLC의 속성은 제가 보기에 크게 다르지 않은 것 같습니다.
글쎄, 관심을 끌기 위해 높은 홀에서 알파를 관찰하고 낮은 홀에서 오메가를 관찰하려고 할 수 있습니다.
marketeer : 글쎄, 관심을 끌기 위해 높은 홀에서 알파를 관찰하고 낮은 홀에서 오메가를 관찰하려고 할 수 있습니다.
물론 다음 주 일요일에 실험실에 도착할 때만요. 나는 그것들이 근본적으로 변하지 않을 것이라고 생각하며, 심지어 변환의 모든 특성은 거의 동일하게 유지될 것입니다.
모두 에게
다시 한 번 주의를 기울이겠습니다. 동료가 어떻게 되었는지는 모르겠지만 RMS 내에서 가져온 증분이 추세를 나타냈을 때 저는 매우 놀랐습니다 . 고백하건대, 나는 방황 같은 것을 기대하고 있었다. 이것은 실제로 추세입니다. 나는 결정 계수의 예를 보여 주었지만 이것은 모델을 원래 시리즈에 맞추는 품질을 특성화하기 때문에 매우 나쁜 지표입니다. 선형 회귀 는 임의의 계열을 포함하여 모든 계열에 완벽하게 맞을 수 있으며, 예를 들어 10년 역사에 대한 시계열의 95%가 평균 오차 내에서 a + b * x로 설명된다는 것을 보여줍니다. 나는 한때 프랙탈 특성, 특히 Hurst 지수의 추정을 여러 가지 방법으로 사용했습니다(R/S 분석, 분산의 편차 ...). 오랜 시간 동안 계산되지만 랜덤 워크와 달리 특정 LAMBDA에 대한 경향을 자신있게 보여줍니다.
여기에 질문이 있습니다. 두 프로세스의 판독값 사이에 중요한 관계가 있습니까(선형 추세, 이는 옳지 않음). 아이디어는 간단합니다. 모든 변환 후에 그러한 종속성이 나타나면 프로세스(둘 모두)에 실제로 무작위 워크와 구별되는 속성이 있습니다.
그건 그렇고, 프로세스로 나눌 때도 동일하게 사용할 수 있습니다. 저것들. RMS 컷오프로 나누지 않고 .. 글쎄요, 예를 들어 자기상관으로 나눕니다.
패턴/종속성은 어디에서 오는가? 우리는 값에 따라 시간 프레임과 증가분의 일부를 한 더미로, 일부는 다른 더미로 가져갔습니다. 또한, 여러 지점 또는 기준 지점의 이동은 이러한 "프로세스"의 구성을 변경할 수 있습니다. 그러한 분할과 함께 거래 논리는 어디에서 왔습니까? m15에서 20핍은 오메가라고 하지만 21핍이 있다면 이것은 완전히 다른 문제입니다. 알파입니다. :) 그런 리턴 분리 매트릭스는 어디에서 왔습니까? 이 매트릭스는 하나의 "프로세스"가 더 많은 음수 수익을 받고 다른 하나는 양수 수익을 수신한다는 것을 보여주기 때문에 적용 후 무작위 워크에서도 결과와 어떻게 다를 수 있습니까? 물론 하나는 위아래로 철거되었습니다.
문제는 두 프로세스 모두에서 판독값 사이에 중요한 관계가 있습니까? 아이디어는 간단합니다. 모든 변환 후에 그러한 종속성이 나타나면 프로세스는 실제로 랜덤 워크와 구별되는 속성을 갖게 됩니다.
이러한 프로세스에 대한 상관관계는 아직 확인되지 않았습니다. 그리고, 나는 그것을 보지 않았다. 주된 이유는 분류에 해당하는 판독값만 시리즈에서 "가져오기" 때문입니다. 새로운 구멍은 단순히 무시됩니다. 저것들. 원래 개념에 따르면 단순한 선보다 더 복잡한 구조를 가진 결정론적 경향이 있지만 결정론적입니다. 그리고 이 "추세" 프로세스는 다른 더 복잡한 "킬러 프로세스"(꼬리, 귀, 튀어나온 모든 것)에 의해 중단(정확하게 중단되거나 파괴됨)됩니다. 추세가 노이즈와 혼합되어 있지 않다는 점에 유의하는 것이 중요합니다. 하나는 창의적이고 다른 하나는 파괴적인 두 가지 매우 복잡한 프로세스가 경쟁합니다.
사용? - 거의 간단합니다. o) "캐리어 프로세스"를 정확하게(합리적인 범위 내에서) 예측할 수 있으며, 예를 들어 Monte Carlo p-방법을 사용하여 미래의 파괴를 평가하고 가장 가능성 있는 수준을 추정할 수 있습니다. "재앙" 이후의 가격 축적 .
그리고 트렌드의 탄생과 소멸의 끝없는 과정에서 이와 같은 "확률적 패턴"이 존재해야 한다고 생각합니다. 다른 각도에서 그들에게 나타났습니다. 여기에 또 다른 접근 방식이 있습니다. 그러나 철학은 약간 바뀌고, 추세가 있다는 것이 밝혀졌습니다. 그것은 회사, 사회, 국가의 본질에 의해 미리 결정됩니다. 그는 혼자입니다. 황소와 곰이 없습니다. 그리고 이러한 경향이 이상적인 조건에서 존재할 수 없는 환경 조건이 있습니다. 사회 자체가 그것을 파괴 할 수 있습니다 (추세). 그러나 그것은 모두 가사이므로주의를 기울이지 마십시오.
그건 그렇고, 프로세스로 나눌 때도 동일하게 사용할 수 있습니다. 저것들. RMS 컷오프로 나누지 않고 .. 글쎄요, 예를 들어 자기상관으로 나눕니다.
원칙적으로 모든 것이 정확하며 이것이 필터링하는 유일한 방법은 아닙니다.
추신 중요 : t.z로 필터링할 수 없었습니다. DSP 이 프로세스는 전혀 작동하지 않았습니다!!! 그러나 그러한 원시적인 방법이 결과를 낳았습니다. 여기에서 잘 작동해야 한다고 생각합니다. 접두사 "multi"와 연결된 모든 것입니다.
패턴/종속성은 어디에서 오는가? 우리는 값에 따라 시간 프레임과 증가분의 일부를 한 더미로, 일부는 다른 더미로 가져갔습니다. 또한, 여러 지점 또는 기준 지점의 이동은 이러한 "프로세스"의 구성을 변경할 수 있습니다. 그러한 분할과 함께 거래 논리는 어디에서 왔습니까? m15에서 20핍은 오메가라고 하지만 21핍이 있다면 이것은 완전히 다른 문제입니다. 알파입니다. :) 그런 리턴 분리 매트릭스는 어디에서 왔습니까? 이 매트릭스는 하나의 "프로세스"가 더 많은 음수 수익을 받고 다른 하나는 양수 수익을 수신한다는 것을 보여주기 때문에 적용 후 무작위 워크에서도 결과와 어떻게 다를 수 있습니까? 물론 하나는 위아래로 철거되었습니다.
여기에서는 그렇게 간단하지 않습니다. Alex의 게시물이 생각납니다.
또 다른 현상은 장기기억입니다.
우리들 대부분(물론 이것을 하는 사람들)은 Pearson 상관 관계, 더 정확하게는 자기 상관에 의해 시장 기억을 측정하는 데 익숙합니다. 이러한 상관 관계는 강도에서 5-10 막대까지의 지연 범위에서 다소 단기적이고 중요하다는 것은 잘 알려져 있습니다. 이로부터 일반적으로 시장에 기억이 있다면 그 기억은 매우 단기적이라는 결론을 내립니다.
그러나 Pearson의 상관 관계는 막대 간의 선형 관계만 측정할 수 있으며 실제로는 막대 간의 비선형 관계를 알아차리지 못합니다. 임의 프로세스의 상관 이론은 이유 때문에 선형이라고 합니다.
그러나 확률 변수 간의 임의적 종속성을 입증할 수 있는 통계적 기준이 있습니다. 예를 들어 카이제곱 검정 또는 상호 정보 검정이 있습니다. 아직 2번째는 안써봤는데 1번째는 질러버렸네요. 사용법은 설명하지 않겠습니다. 인터넷에 사용법을 설명하는 방법론적 도움이 많이 있습니다.
주요 질문은 다음과 같습니다. 매우 먼 막대 사이에 통계적 관계가 있습니까(예: 막대 사이에 천 개의 막대가 있는 경우)? 거래에서 그것을 사용하는 방법에 대한 질문은 제기되지 않았습니다.
답변: 그렇습니다. 매우 중요합니다.
예를 들어, 1999년부터 H1까지의 EURUSD 히스토리를 가지고 카이제곱으로 쌍의 수익률을 확인하면 90%의 경우에 10에서 6000 사이의 막대 사이의 "거리" 범위에서, 현재 막대는 과거 막대에 따라 다릅니다. 90%! 막대 사이의 거리가 6000 이상인 경우 이러한 종속성은 점점 덜 일반적이지만 여전히 발생합니다!
솔직히 말해서, 그러한 "발견"은 단순히 나를 놀라게 했습니다. 왜냐하면. 그것은 유로가 매우 장기 기억을 가지고 있음을 직접적으로 보여줍니다. EURUSD H1에서 6,000바는 약 1년입니다. 이것은 1년 전의 시간별 막대 중에 현재의 0이 "기억하는" 막대가 여전히 있다는 것을 의미합니다.
H4에서는 최대 약 1000-1500바까지 상당한 종속성이 발생합니다. 저것들. "시장의 기억"의 기간은 여전히 동일합니다 - 약 1 년.
약 4년 동안 시장의 기억에 대해 말한 Peters가 떠오릅니다. 그러나 모순은... 아직 해결 방법을 모르겠습니다.
진정하지 않고 독립적으로 생성된 합성 수익을 입력에 적용하면 카이-제곱에 이러한 종속성이 표시되는지 확인하기로 결정했습니다. 나는 합성 수익의 두 가지 가능한 분포(정상 및 라플라시안)를 선택하고 출시했습니다. 예, 표시되지만 기준의 유의 수준(나는 0.01을 가짐) 내에 있습니다! 즉, 합성은 과거에 약 1%의 종속 막대를 보여주었는데, 바로 기준 오류 확률 수준입니다.
결론은 무엇입니까?
1. 유로 견적은 확실히 Markov 프로세스가 아닙니다. Markov 프로세스에서 현재 값은 이전 값에만 의존합니다. 우리의 경우 매우 먼 과거에 현재 막대가 의존하는 수많은 막대가 있습니다.
2. 소위 "기초"는 물론 따옴표를 이동하는 이유로 특정 역할을합니다. 그러나 그는 확실히 유일한 사람이 아닙니다. 기술을 봐야 합니다!
3. 이 결과는 여전히 순전히 이론적인 것이며 여전히 적용되는 가치가 없습니다. 그러나 그는 무언가를 찾는 사람들에게 모든 것이 잃어버린 것이 아님을 분명히 보여줍니다.
점차적으로 모델과 현상에 접근합니다. 따라서 임의 구조의 확률적 모델은 모델 자체와 모델 간의 전환에 대한 설명을 의미합니다(즉, 이러한 모델이 생성하는 한 프로세스를 다른 프로세스에 의해 가로채는 일부 확률적 논리). VR은 100개의 Ito 미분 방정식으로 설명되며 즉시 모델을 식별하는 문제가 발생합니다. 어떤 기능, 어떤 변위 계수, 각각에 대한 확산 계수는 무엇이며 시스템 상태의 초기 확률 벡터는 무엇입니까? 일반적으로 - 작업은 사소한 것이 아닙니다.
여기에서 사실 그는 초기 시계열 을 두 개의 하위 프로세스로 분해하는 변환을 생각해 냈습니다. 이전에는 비슷한 것을 본 적이 없지만 아마도 이것은 임의 함수의 표준 표현의 특별한 경우 중 하나일 것입니다. 누가 알겠어요, 저는 전문 수학자가 아닙니다. 그 본질은 막대를 통해 "체로"입니다. 중요하지 않습니다. 아직 수학을 게시하지 않을 것입니다. 아이디어와 개념을 파악해야 합니다. 변환 후에는 두 개의 프로세스만 얻어지고 이러한 프로세스는 선형이지만 더 복잡한 구조를 갖는 것이 중요합니다.
랜덤 프로세스. 프로세스는 증분 M 15에 대한 특성에 따라 조정됩니다.
변환 후 우리는 다음을 얻습니다.
랜덤 프로세스의 경우 계수 b ( alpha ) 및 b ( 오메가 ) 모델에서 모듈러스는 동일하고 길이의 차이는 그에 따라 하나 또는 다른 역학의 우세를 나타내며 임의 프로세스의 경우 분리된 프로세스의 내부 구조가 선에 가까울 것입니다. 아직 몇 가지 이론적인 문제가 있고 더 발전된 알고리즘의 개발이 있지만 이것은 다른 이야기입니다.
그건 그렇고, 분해 특성이 무작위 VR의 특성과 다르기 때문에 인용 프로세스가 무작위가 아니라는 간접적인(아직 엄격하게 입증되지 않은 의미에서) 진술(음... 모든 것이 아직 엄격하게 여기에 있는 것은 아닙니다).
따라서 상태(프로세스) 간의 전환 가능성에 대한 질문이 여전히 있습니다. 이러한 전환이 "Markovian"으로 인식될 수 있다면 Kolmogorov-Champen 공식에 따라 주어진 지평에 대해 미래에 시스템 상태의 확률을 얻을 수 있습니다.
가장 멋진 현상에 대해 (연구가 허용되는지 여부와 같이 기성 현상의 한 가지 일뿐만 아니라?). 그래서 나는 " 확률적 패턴 "(TA는 그것과 아무 관련이 없음)이 있다고 확신합니다. 매우 강한 확신이 있고 그들이 확인되기를 바랍니다. 내가 착각할 수도 있고, 그리고 나서 이미 느끼고 있어 상상만 해도 무섭다 파우카스 결국, 손실된 이익에 대한 계정이 지불을 위해 제시될 것입니다.
Opens를 분석해야 하는 이유를 모르겠습니다. 추세는 높고 낮음으로 그려집니다. 여기에 다우 이론이 있습니다.
음, 열림과 닫힘은 막대를 닫을 때 인위적으로 낮추거나 올라가고 때로는 막대를 닫을 때 "촛불의 색을 다시 그리는 게임이 있습니다"
그러나 진지하게 우리는 정기적인 시간 간격으로 프로세스를 측정해야 합니다(엔지니어링 용어와 마찬가지로 DSP가 더 익숙하고 정확합니다).
mon, 당신은 약간의 추진력을 찾고 있습니다
내 이론에 따르면 DC에서 얻는 모든 것, 전체 OHLC - 모든 것이 인공적입니다. 그러나 진지하게 우리는 정기적인 간격으로 프로세스를 측정해야 합니다(엔지니어링 용어로 DSP가 더 친숙하고 정확합니다). OHLC의 속성은 제가 보기에 크게 다르지 않은 것 같습니다.
글쎄, 관심을 끌기 위해 높은 홀에서 알파를 관찰하고 낮은 홀에서 오메가를 관찰하려고 할 수 있습니다.
물론 다음 주 일요일에 실험실에 도착할 때만요. 나는 그것들이 근본적으로 변하지 않을 것이라고 생각하며, 심지어 변환의 모든 특성은 거의 동일하게 유지될 것입니다.
모두 에게
다시 한 번 주의를 기울이겠습니다. 동료가 어떻게 되었는지는 모르겠지만 RMS 내에서 가져온 증분이 추세를 나타냈을 때 저는 매우 놀랐습니다 . 고백하건대, 나는 방황 같은 것을 기대하고 있었다. 이것은 실제로 추세입니다. 나는 결정 계수의 예를 보여 주었지만 이것은 모델을 원래 시리즈에 맞추는 품질을 특성화하기 때문에 매우 나쁜 지표입니다. 선형 회귀 는 임의의 계열을 포함하여 모든 계열에 완벽하게 맞을 수 있으며, 예를 들어 10년 역사에 대한 시계열의 95%가 평균 오차 내에서 a + b * x로 설명된다는 것을 보여줍니다. 나는 한때 프랙탈 특성, 특히 Hurst 지수의 추정을 여러 가지 방법으로 사용했습니다(R/S 분석, 분산의 편차 ...). 오랜 시간 동안 계산되지만 랜덤 워크와 달리 특정 LAMBDA에 대한 경향을 자신있게 보여줍니다.
여전히 흥미로운 미묘함이 있지만 훨씬 나중에 스레드와 같습니다.
모델 가정.
...
타키, 예전보다 훨씬 재미있어졌어.
여기에 질문이 있습니다. 두 프로세스의 판독값 사이에 중요한 관계가 있습니까(선형 추세, 이는 옳지 않음). 아이디어는 간단합니다. 모든 변환 후에 그러한 종속성이 나타나면 프로세스(둘 모두)는 실제로 랜덤 워크와 구별되는 속성을 갖습니다.
그건 그렇고, 프로세스로 나눌 때도 동일하게 사용할 수 있습니다. 저것들. RMS 컷오프로 나누지 않고 .. 글쎄, 예를 들어 자기 상관 으로 나눕니다.
타키, 예전보다 훨씬 재미있어졌어.
여기에 질문이 있습니다. 두 프로세스의 판독값 사이에 중요한 관계가 있습니까(선형 추세, 이는 옳지 않음). 아이디어는 간단합니다. 모든 변환 후에 그러한 종속성이 나타나면 프로세스(둘 모두)에 실제로 무작위 워크와 구별되는 속성이 있습니다.
그건 그렇고, 프로세스로 나눌 때도 동일하게 사용할 수 있습니다. 저것들. RMS 컷오프로 나누지 않고 .. 글쎄요, 예를 들어 자기상관으로 나눕니다.
패턴/종속성은 어디에서 오는가? 우리는 값에 따라 시간 프레임과 증가분의 일부를 한 더미로, 일부는 다른 더미로 가져갔습니다. 또한, 여러 지점 또는 기준 지점의 이동은 이러한 "프로세스"의 구성을 변경할 수 있습니다. 그러한 분할과 함께 거래 논리는 어디에서 왔습니까? m15에서 20핍은 오메가라고 하지만 21핍이 있다면 이것은 완전히 다른 문제입니다. 알파입니다. :) 그런 리턴 분리 매트릭스는 어디에서 왔습니까? 이 매트릭스는 하나의 "프로세스"가 더 많은 음수 수익을 받고 다른 하나는 양수 수익을 수신한다는 것을 보여주기 때문에 적용 후 무작위 워크에서도 결과와 어떻게 다를 수 있습니까? 물론 하나는 위아래로 철거되었습니다.
타키, 예전보다 훨씬 재미있어졌어.
문제는 두 프로세스 모두에서 판독값 사이에 중요한 관계가 있습니까? 아이디어는 간단합니다. 모든 변환 후에 그러한 종속성이 나타나면 프로세스는 실제로 랜덤 워크와 구별되는 속성을 갖게 됩니다.
이러한 프로세스에 대한 상관관계는 아직 확인되지 않았습니다. 그리고, 나는 그것을 보지 않았다. 주된 이유는 분류에 해당하는 판독값만 시리즈에서 "가져오기" 때문입니다. 새로운 구멍은 단순히 무시됩니다. 저것들. 원래 개념에 따르면 단순한 선보다 더 복잡한 구조를 가진 결정론적 경향이 있지만 결정론적입니다. 그리고 이 "추세" 프로세스는 다른 더 복잡한 "킬러 프로세스"(꼬리, 귀, 튀어나온 모든 것)에 의해 중단(정확하게 중단되거나 파괴됨)됩니다. 추세가 노이즈와 혼합되어 있지 않다는 점에 유의하는 것이 중요합니다. 하나는 창의적이고 다른 하나는 파괴적인 두 가지 매우 복잡한 프로세스가 경쟁합니다.
사용? - 거의 간단합니다. o) "캐리어 프로세스"를 정확하게(합리적인 범위 내에서) 예측할 수 있으며, 예를 들어 Monte Carlo p-방법을 사용하여 미래의 파괴를 평가하고 가장 가능성 있는 수준을 추정할 수 있습니다. "재앙" 이후의 가격 축적 .
그리고 트렌드의 탄생과 소멸의 끝없는 과정에서 이와 같은 "확률적 패턴"이 존재해야 한다고 생각합니다. 다른 각도에서 그들에게 나타났습니다. 여기에 또 다른 접근 방식이 있습니다. 그러나 철학은 약간 바뀌고, 추세가 있다는 것이 밝혀졌습니다. 그것은 회사, 사회, 국가의 본질에 의해 미리 결정됩니다. 그는 혼자입니다. 황소와 곰이 없습니다. 그리고 이러한 경향이 이상적인 조건에서 존재할 수 없는 환경 조건이 있습니다. 사회 자체가 그것을 파괴 할 수 있습니다 (추세). 그러나 그것은 모두 가사이므로주의를 기울이지 마십시오.
그건 그렇고, 프로세스로 나눌 때도 동일하게 사용할 수 있습니다. 저것들. RMS 컷오프로 나누지 않고 .. 글쎄요, 예를 들어 자기상관으로 나눕니다.
원칙적으로 모든 것이 정확하며 이것이 필터링하는 유일한 방법은 아닙니다.
추신 중요 : t.z로 필터링할 수 없었습니다. DSP 이 프로세스는 전혀 작동하지 않았습니다!!! 그러나 그러한 원시적인 방법이 결과를 낳았습니다. 여기에서 잘 작동해야 한다고 생각합니다. 접두사 "multi"와 연결된 모든 것입니다.
다음 주 일요일에는 이러한 프로세스의 다양한 특성을 평가하려고 합니다.
패턴/종속성은 어디에서 오는가? 우리는 값에 따라 시간 프레임과 증가분의 일부를 한 더미로, 일부는 다른 더미로 가져갔습니다. 또한, 여러 지점 또는 기준 지점의 이동은 이러한 "프로세스"의 구성을 변경할 수 있습니다. 그러한 분할과 함께 거래 논리는 어디에서 왔습니까? m15에서 20핍은 오메가라고 하지만 21핍이 있다면 이것은 완전히 다른 문제입니다. 알파입니다. :) 그런 리턴 분리 매트릭스는 어디에서 왔습니까? 이 매트릭스는 하나의 "프로세스"가 더 많은 음수 수익을 받고 다른 하나는 양수 수익을 수신한다는 것을 보여주기 때문에 적용 후 무작위 워크에서도 결과와 어떻게 다를 수 있습니까? 물론 하나는 위아래로 철거되었습니다.
여기에서는 그렇게 간단하지 않습니다. Alex의 게시물이 생각납니다.
또 다른 현상은 장기기억입니다.
우리들 대부분(물론 이것을 하는 사람들)은 Pearson 상관 관계, 더 정확하게는 자기 상관에 의해 시장 기억을 측정하는 데 익숙합니다. 이러한 상관 관계는 강도에서 5-10 막대까지의 지연 범위에서 다소 단기적이고 중요하다는 것은 잘 알려져 있습니다. 이로부터 일반적으로 시장에 기억이 있다면 그 기억은 매우 단기적이라는 결론을 내립니다.
그러나 Pearson의 상관 관계는 막대 간의 선형 관계만 측정할 수 있으며 실제로는 막대 간의 비선형 관계를 알아차리지 못합니다. 임의 프로세스의 상관 이론은 이유 때문에 선형이라고 합니다.
그러나 확률 변수 간의 임의적 종속성을 입증할 수 있는 통계적 기준이 있습니다. 예를 들어 카이제곱 검정 또는 상호 정보 검정이 있습니다. 아직 2번째는 안써봤는데 1번째는 질러버렸네요. 사용법은 설명하지 않겠습니다. 인터넷에 사용법을 설명하는 방법론적 도움이 많이 있습니다.
주요 질문은 다음과 같습니다. 매우 먼 막대 사이에 통계적 관계가 있습니까(예: 막대 사이에 천 개의 막대가 있는 경우)? 거래에서 그것을 사용하는 방법에 대한 질문은 제기되지 않았습니다.
답변: 그렇습니다. 매우 중요합니다.
예를 들어, 1999년부터 H1까지의 EURUSD 히스토리를 가지고 카이제곱으로 쌍의 수익률을 확인하면 90%의 경우에 10에서 6000 사이의 막대 사이의 "거리" 범위에서, 현재 막대는 과거 막대에 따라 다릅니다. 90%! 막대 사이의 거리가 6000 이상인 경우 이러한 종속성은 점점 덜 일반적이지만 여전히 발생합니다!
솔직히 말해서, 그러한 "발견"은 단순히 나를 놀라게 했습니다. 왜냐하면. 그것은 유로가 매우 장기 기억을 가지고 있음을 직접적으로 보여줍니다. EURUSD H1에서 6,000바는 약 1년입니다. 이것은 1년 전의 시간별 막대 중에 현재의 0이 "기억하는" 막대가 여전히 있다는 것을 의미합니다.
H4에서는 최대 약 1000-1500바까지 상당한 종속성이 발생합니다. 저것들. "시장의 기억"의 기간은 여전히 동일합니다 - 약 1 년.
약 4년 동안 시장의 기억에 대해 말한 Peters가 떠오릅니다. 그러나 모순은... 아직 해결 방법을 모르겠습니다.
진정하지 않고 독립적으로 생성된 합성 수익을 입력에 적용하면 카이-제곱에 이러한 종속성이 표시되는지 확인하기로 결정했습니다. 나는 합성 수익의 두 가지 가능한 분포(정상 및 라플라시안)를 선택하고 출시했습니다. 예, 표시되지만 기준의 유의 수준(나는 0.01을 가짐) 내에 있습니다! 즉, 합성은 과거에 약 1%의 종속 막대를 보여주었는데, 바로 기준 오류 확률 수준입니다.
결론은 무엇입니까?
1. 유로 견적은 확실히 Markov 프로세스가 아닙니다. Markov 프로세스에서 현재 값은 이전 값에만 의존합니다. 우리의 경우 매우 먼 과거에 현재 막대가 의존하는 수많은 막대가 있습니다.
2. 소위 "기초"는 물론 따옴표를 이동하는 이유로 특정 역할을합니다. 그러나 그는 확실히 유일한 사람이 아닙니다. 기술을 봐야 합니다!
3. 이 결과는 여전히 순전히 이론적인 것이며 여전히 적용되는 가치가 없습니다. 그러나 그는 무언가를 찾는 사람들에게 모든 것이 잃어버린 것이 아님을 분명히 보여줍니다.
Avals , 네, 당신은 결론을 내리기 위해 서두르지 않습니다 ...
추신 : 또한 Alexey가 작성했습니다 - 전적으로 확인합니다 !!!