EURUSD D1에 대한 1에서 250까지의 시차에 대한 상호 정보의 양을 보여주는 차트.
다음으로, 증분의 부호를 혼합하면서 시리즈의 초기 변동성을 유지하려고 합니다(증가 모듈 유지). 우리는 받습니다.
비슷한 그래프이고 상호 정보의 양이 매우 유사합니다. 즉, 증분 기호를 제거해도 상호 정보에는 영향이 없습니다. 기호의 무의미함을 확인하기 위해 다음을 시도해 보겠습니다. 증분 부호의 순서는 원본 그대로 두되 변동성 구조를 위반하여 증분 모듈을 혼합해 보겠습니다. 우리는 가지고 있습니다.
그래프 모양이 다릅니다. 금액이 많이 줄었습니다. 이는 변동성을 제거하고 원래 증분 기호 시퀀스가 있는 상태에서 0 막대에 대한 정보가 훨씬 적다는 것을 의미합니다.
이제 증분 기호와 증분 모듈 시퀀스를 혼합해 보겠습니다. 즉, 원본에서 발생하는 변동성과 기호 시퀀스에서 시리즈를 저장합니다.
우리는 거의 같으며 금액이 더 높은 것으로 판명되었습니다. 변동성이 없는 계열은 완전히 무작위 계열(그러나 분포 법칙이 유지됨)과 실질적으로 다르지 않다고 가정합니다.
각 실험에 대해 많은 구현을 하지 않기 위해 서로 다른 시리즈에 대해 얻은 상호 정보 값의 차이에 대한 가설의 통계적 테스트를 수행합니다.
원래 시리즈와 변동성이 보존된 시리즈의 상호 정보에 대한 Kolmogorov-Smirnov 테스트. p > 0.1. 차이 가설은 기각됩니다.
원래 시리즈 및 증분 보존된 시리즈의 경우: p < 0.01. 차이에 대한 가설이 확인되었습니다.
보존된 부호와 임의의 계열이 있는 계열에 대해 테스트합니다. p < 0.1. 모호한 결과지만 무작위 시리즈에 대한 상호 정보의 합은 훨씬 더 큰 것으로 판명되었으므로 나는 차이 또는 적어도 무작위 시리즈에 비해 우월성이 부족하다는 가설을 받아들이는 경향이 있습니다.
결론: 종가를 기반으로 하는 증분과 함께 작동하는 이 기술을 사용하면 가격 변동성의 종속성을 식별할 수 있으며 증분 기호의 종속성은 어떤 의미에서든 존재하는 경우 감지되지 않습니다. 이 기술로는 가격 움직임의 방향을 예측하는 것은 불가능합니다.
지난 한 달 동안 그는 주제에서 멀어졌습니다. 그는 다른 일로 매우 바빠서 할 시간이 없었습니다.
원칙적으로 나는 판결에 동의합니다. 그러나 며칠 동안만. 나는 이미 작은 TF보다 낮에 훨씬 더 많은 혼란이 있다고 의심하고 말했습니다.
또한 중복 정보가 있는 막대는 제외되지 않았음을 고려해야 합니다. 나는 이것이 결과에 큰 영향을 미친다고 생각합니다.
요컨대, 신경망의 입력에 제출될 수 있는 데이터의 선택은 훨씬 더 진지하게 접근해야 합니다. 따라서 신경망의 이점을 얻으려면 먼지가 극도로 제거된 최고의 진미를 신경망에 공급해야 합니다. 그리고 지금은 아직 진미가 아니라 잡히지 않은 별모양 철갑상어입니다.
Alexey, 먼저 주제에서 만나서 반갑습니다. 나는 당신의 의견에 동의합니다. 나 역시 그 시절의 많은 혼돈에 대해 듣고 생각했다. 제 의견은 다음과 같습니다. 큰 시간 프레임에서 시계열 기능은 분 및 5분만큼 매끄럽지 않으며 틱에서는 더욱 그렇습니다. 짧은 시간에 몇 개의 막대를 미리 예측하는 방법을 배운다면 강점이 있을 것입니다. 물론, 나는 상호 정보를 계산할 수 있고 잠시 동안은 흥미로울 것입니다. 나는 진드기에 대해서도 할 수 있습니다. Gain Capital 웹 사이트에서 가져갈 것입니다. 그러나 막대의 앙상블에서 정보를 사용하는 문제는 해결되지 않았으며, 나는 이것에 갇혔습니다. 소리.
나는 "별 철갑 상어"가 잡히지 않았다는 사실에 전적으로 동의합니다. 그리고 이러한 점에서 중복 정보의 문제가 중요합니다. 특정 막대에 대한 정보를 취하면 기본적으로 취해진 각 지연의 중요성에 대한 질문이 제기됩니다.
alexeymosc : 물론, 나는 잠시 동안 상호 정보를 계산할 수 있습니다. 그것은 심지어 흥미로울 것입니다. 나는 진드기에 대해서도 할 수 있습니다. Gain Capital 웹 사이트에서 가져갈 것입니다.
몇 분 동안 특히 틱 - 시간과 PC 리소스 사용 면에서 너무 낭비적일 수 있습니다. 나는 시계를 가지고 그들을 세기를 기대합니다. 우리는 볼 것이다.
여기서 가장 심각한 문제는 표면이 아니라 내부에 있습니다. DC의 과거 역사는 일정하지 않습니다. 막대는 지속적으로 사라졌다가 나타납니다. 그리고 과거 역사의 국부적 변화는 결과(더 정확하게는 매트릭스)에 심각한 영향을 미칠 수 있습니다. 나는 그것을 별로 좋아하지 않는다. 나는 히스토리 지속성 문제를 해결하는 방법을 찾고 있습니다. 동시에 계산 수를 몇 배나 줄일 수 있습니다.
Alexey, 먼저 주제에서 만나서 반가워요. 나는 당신의 의견에 동의합니다. 나 역시 그 시절의 많은 혼돈에 대해 듣고 생각했다. 제 의견은 다음과 같습니다. 큰 시간 프레임에서 시계열 기능은 분 및 5분만큼 매끄럽지 않으며 틱에서는 더욱 그렇습니다. 짧은 시간에 몇 개의 막대를 미리 예측하는 방법을 배운다면 힘이 될 것입니다. 물론, 나는 상호 정보를 계산할 수 있으며 잠시 동안은 흥미로울 것입니다. 나는 또한 진드기에 대해 Gain Capital 웹사이트에서 가져갈 수 있습니다. 그러나 막대의 앙상블에서 정보를 사용하는 문제는 해결되지 않았으며, 나는 이것에 갇혔습니다. 소리.
나는 "별 철갑 상어"가 잡히지 않았다는 사실에 전적으로 동의합니다. 그리고 이러한 점에서 중복 정보의 문제가 중요합니다. 특정 막대에 대한 정보를 취하면 기본적으로 취해진 각 지연의 중요성에 대한 질문이 제기됩니다.
일반적으로 새로운 회의가 방송 중입니다.
아마도 큰 시간 프레임에서 시계열 기능은 분 및 5분만큼 매끄럽지 않고 틱에서는 더 부드럽지만 더 예측 가능합니다. 더 작은 시간 프레임, 특히 분에서 시계열 기능은 수백 또는 수천 개의 막대 내에서, 그리고 수십 개의 막대 내에서 가능한 일반 패턴의 임의 구성 요소의 비율이 다음과 같은 패턴을 감지합니다. 매우 큰.
yosuf : 아마도 큰 시간 프레임에서 시계열 기능은 분 및 5분만큼 매끄럽지 않고 틱에서는 더 부드럽지만 더 예측 가능합니다. 더 작은 시간 프레임, 특히 분에서 시계열 기능은 수백 또는 수천 개의 막대 내에서, 그리고 수십 개의 막대 내에서 가능한 일반 패턴의 임의 구성 요소의 비율이 다음과 같은 패턴을 감지합니다. 매우 큰.
동의합니다, 유수프. 그런 의견도 있습니다. 그건 그렇고, 내가 며칠을 보낸 이유입니다. 그러나 흥미롭게도 동일한 수의 지연에 대한 상호 정보의 합은 일일 막대보다 시간 막대에서 더 큽니다. 대부분이 변동성이더라도 사실입니다. 따라서 특수 예측 모델에는 더 작은 기간이 더 적합할 수 있습니다.
몇 분 동안 특히 틱 - 시간과 PC 리소스 사용 측면에서 너무 낭비적일 수 있습니다. 나는 시계를 가지고 그들을 세기를 기대합니다. 우리는 볼 것이다.
여기서 가장 심각한 문제는 표면이 아니라 내부에 있습니다. DC의 과거 역사는 일정하지 않습니다. 막대가 계속 사라졌다가 나타납니다. 그리고 과거 역사의 국지적 변화는 결과(더 정확하게는 매트릭스)에 심각한 영향을 미칠 수 있습니다. 나는 그것을 별로 좋아하지 않는다. 나는 히스토리 지속성 문제를 해결하는 방법을 찾고 있습니다. 동시에 계산 수를 한 단계 더 줄일 수 있습니다.
이것은 매우 사실적인 지적입니다. 비록 나 자신이 역사상 변동성이 심한 막대의 문제를 파헤치지는 않았지만, Alexey에게 그 본질은 분명합니다. 나는 이제 측정이 시계열 자체가 아니라 일종의 파생 신호에 대해 수행되어야 한다고 생각합니다. 이상치가 완화되는 시간 간격 내에서 가중 평균 가격을 취하는 것이 합리적일 수 있습니다. 그건 그렇고, 나는 이것을 한 번했습니다 : 나는 시간별 마감으로 계산 된 가중 평균 일중 가격을 취했습니다 (실제로 MA는 기간이 24이지만 계산을 위해이 MA의 값은 24 단계입니다. 서로 떨어져). 그리고 상호 정보를 계산했습니다. 놀랐었다. 1번 시차는 정보량이 최대인 반면, 나머지 1번 시차는 10배 이상 적은 정보를 보였다. 기존 일일 가격 시리즈와 확연한 차이…
변동성 클러스터링이 더 낮은 기간에 미치는 영향에 대해 분명히 알고 있지만 더 높은 기간에 더 시끄럽다고 결론을 내립니다. 이것의 유일한 근거는 당신의 믿음입니다. 다른 시간 척도를 정말로 비교하고 싶다면 직접 비교하지 말고 변동성의 영향으로 인한 잔차를 비교하십시오. 그렇지 않으면 모두 자기 믿음처럼 들립니다.
그리고 더 자주 시스템은 "울타리에 앉아 보자. 나는 우주 모델의 위기가있다."라고 말해야합니다. 나는 이것이 시장의 혼란스러운 현실을 반영하는 합리적인 거래 시스템의 유용한 기능이라고 생각합니다. 특정 순간에만 미래를 약간 볼 수 있습니다.
솔직함: 일반적으로 게시물이 공중에 계속해서 매달려 있다는 사실로 판단하면 이 주제에 대한 내 시간은 이미 갔거나 아직 오지 않았습니다. :). 분수대를 쉴 시간입니다 :).
아직 도착하지 않은 것 같습니다 :)
그리고 솔직히 말해서 아직 화제를 활성화 시킬 생각은 아니었는데 등장하고 나서 대략 이런 전개가 있을 거라 생각했다. 하지만 후회하지 않습니다. 왜냐하면. 토론하는 과정에서 한 가지 분명해졌습니다.
솔직함: 처음부터 이 기술이 예측에 적합하고 쓸모가 없는 종속성을 느낀다고 가정했습니다. 변동성과 관련하여 여기에서 그러한 가정을 지지하는 몇 가지 증거를 얻을 수 있습니다.
변동성은 이 정보 게임에서 진지한 선수지만, 여전히 왕과 신은 아니라고 생각합니다.
나는 오히려 미학을 위해 주제를 계속할 것입니다. 아마도 그것이 스레드의 끝일 것입니다. 아마도 다른 하나가 열릴 것입니다.
실험 결과를 포스팅하겠습니다.
EURUSD D1에 대한 1에서 250까지의 시차에 대한 상호 정보의 양을 보여주는 차트.
다음으로, 증분의 부호를 혼합하면서 시리즈의 초기 변동성을 유지하려고 합니다(증가 모듈 유지). 우리는 받습니다.
비슷한 그래프이고 상호 정보의 양이 매우 유사합니다. 즉, 증분 기호를 제거해도 상호 정보에는 영향이 없습니다. 기호의 무의미함을 확인하기 위해 다음을 시도해 보겠습니다. 증분 부호의 순서는 원본 그대로 두되 변동성 구조를 위반하여 증분 모듈을 혼합해 보겠습니다. 우리는 가지고 있습니다.
그래프 모양이 다릅니다. 금액이 많이 줄었습니다. 이는 변동성을 제거하고 원래 증분 기호 시퀀스가 있는 상태에서 0 막대에 대한 정보가 훨씬 적다는 것을 의미합니다.
이제 증분 기호와 증분 모듈 시퀀스를 혼합해 보겠습니다. 즉, 원본에서 발생하는 변동성과 기호 시퀀스에서 시리즈를 저장합니다.
우리는 거의 같으며 금액이 더 높은 것으로 판명되었습니다. 변동성이 없는 계열은 완전히 무작위 계열(그러나 분포 법칙이 유지됨)과 실질적으로 다르지 않다고 가정합니다.
각 실험에 대해 많은 구현을 하지 않기 위해 서로 다른 시리즈에 대해 얻은 상호 정보 값의 차이에 대한 가설의 통계적 테스트를 수행합니다.
원래 시리즈와 변동성이 보존된 시리즈의 상호 정보에 대한 Kolmogorov-Smirnov 테스트. p > 0.1. 차이 가설은 기각됩니다.
원래 시리즈 및 증분 보존된 시리즈의 경우: p < 0.01. 차이에 대한 가설이 확인되었습니다.
보존된 부호와 임의의 계열이 있는 계열에 대해 테스트합니다. p < 0.1. 모호한 결과지만 무작위 시리즈에 대한 상호 정보의 합은 훨씬 더 큰 것으로 판명되었으므로 나는 차이 또는 적어도 무작위 시리즈에 비해 우월성이 부족하다는 가설을 받아들이는 경향이 있습니다.
결론: 종가를 기반으로 하는 증분과 함께 작동하는 이 기술을 사용하면 가격 변동성의 종속성을 식별할 수 있으며 증분 기호의 종속성은 어떤 의미에서든 존재하는 경우 감지되지 않습니다. 이 기술로는 가격 움직임의 방향을 예측하는 것은 불가능합니다.
지난 한 달 동안 그는 주제에서 멀어졌습니다. 그는 다른 일로 매우 바빠서 할 시간이 없었습니다.
원칙적으로 나는 판결에 동의합니다. 그러나 며칠 동안만. 나는 이미 작은 TF보다 낮에 훨씬 더 많은 혼란이 있다고 의심하고 말했습니다.
또한 중복 정보가 있는 막대는 제외되지 않았음을 고려해야 합니다. 나는 이것이 결과에 큰 영향을 미친다고 생각합니다.
요컨대, 신경망의 입력에 제출될 수 있는 데이터의 선택은 훨씬 더 진지하게 접근해야 합니다. 따라서 신경망의 이점을 얻으려면 흙이 매우 깨끗한 최고의 진미를 먹여야 합니다. 그리고 지금은 아직 진미가 아니라 잡히지 않은 별모양 철갑상어입니다.
지난 한 달 동안 그는 주제에서 멀어졌습니다. 그는 다른 일로 매우 바빠서 할 시간이 없었습니다.
원칙적으로 나는 판결에 동의합니다. 그러나 며칠 동안만. 나는 이미 작은 TF보다 낮에 훨씬 더 많은 혼란이 있다고 의심하고 말했습니다.
또한 중복 정보가 있는 막대는 제외되지 않았음을 고려해야 합니다. 나는 이것이 결과에 큰 영향을 미친다고 생각합니다.
요컨대, 신경망의 입력에 제출될 수 있는 데이터의 선택은 훨씬 더 진지하게 접근해야 합니다. 따라서 신경망의 이점을 얻으려면 먼지가 극도로 제거된 최고의 진미를 신경망에 공급해야 합니다. 그리고 지금은 아직 진미가 아니라 잡히지 않은 별모양 철갑상어입니다.
Alexey, 먼저 주제에서 만나서 반갑습니다. 나는 당신의 의견에 동의합니다. 나 역시 그 시절의 많은 혼돈에 대해 듣고 생각했다. 제 의견은 다음과 같습니다. 큰 시간 프레임에서 시계열 기능은 분 및 5분만큼 매끄럽지 않으며 틱에서는 더욱 그렇습니다. 짧은 시간에 몇 개의 막대를 미리 예측하는 방법을 배운다면 강점이 있을 것입니다. 물론, 나는 상호 정보를 계산할 수 있고 잠시 동안은 흥미로울 것입니다. 나는 진드기에 대해서도 할 수 있습니다. Gain Capital 웹 사이트에서 가져갈 것입니다. 그러나 막대의 앙상블에서 정보를 사용하는 문제는 해결되지 않았으며, 나는 이것에 갇혔습니다. 소리.
나는 "별 철갑 상어"가 잡히지 않았다는 사실에 전적으로 동의합니다. 그리고 이러한 점에서 중복 정보의 문제가 중요합니다. 특정 막대에 대한 정보를 취하면 기본적으로 취해진 각 지연의 중요성에 대한 질문이 제기됩니다.
일반적으로 새로운 회의가 방송됩니다.
몇 분 동안 특히 틱 - 시간과 PC 리소스 사용 면에서 너무 낭비적일 수 있습니다. 나는 시계를 가지고 그들을 세기를 기대합니다. 우리는 볼 것이다.
여기서 가장 심각한 문제는 표면이 아니라 내부에 있습니다. DC의 과거 역사는 일정하지 않습니다. 막대는 지속적으로 사라졌다가 나타납니다. 그리고 과거 역사의 국부적 변화는 결과(더 정확하게는 매트릭스)에 심각한 영향을 미칠 수 있습니다. 나는 그것을 별로 좋아하지 않는다. 나는 히스토리 지속성 문제를 해결하는 방법을 찾고 있습니다. 동시에 계산 수를 몇 배나 줄일 수 있습니다.
Alexey, 먼저 주제에서 만나서 반가워요. 나는 당신의 의견에 동의합니다. 나 역시 그 시절의 많은 혼돈에 대해 듣고 생각했다. 제 의견은 다음과 같습니다. 큰 시간 프레임에서 시계열 기능은 분 및 5분만큼 매끄럽지 않으며 틱에서는 더욱 그렇습니다. 짧은 시간에 몇 개의 막대를 미리 예측하는 방법을 배운다면 힘이 될 것입니다. 물론, 나는 상호 정보를 계산할 수 있으며 잠시 동안은 흥미로울 것입니다. 나는 또한 진드기에 대해 Gain Capital 웹사이트에서 가져갈 수 있습니다. 그러나 막대의 앙상블에서 정보를 사용하는 문제는 해결되지 않았으며, 나는 이것에 갇혔습니다. 소리.
나는 "별 철갑 상어"가 잡히지 않았다는 사실에 전적으로 동의합니다. 그리고 이러한 점에서 중복 정보의 문제가 중요합니다. 특정 막대에 대한 정보를 취하면 기본적으로 취해진 각 지연의 중요성에 대한 질문이 제기됩니다.
일반적으로 새로운 회의가 방송 중입니다.
아마도 큰 시간 프레임에서 시계열 기능은 분 및 5분만큼 매끄럽지 않고 틱에서는 더 부드럽지만 더 예측 가능합니다. 더 작은 시간 프레임, 특히 분에서 시계열 기능은 수백 또는 수천 개의 막대 내에서, 그리고 수십 개의 막대 내에서 가능한 일반 패턴의 임의 구성 요소의 비율이 다음과 같은 패턴을 감지합니다. 매우 큰.
동의합니다, 유수프. 그런 의견도 있습니다. 그건 그렇고, 내가 며칠을 보낸 이유입니다. 그러나 흥미롭게도 동일한 수의 지연에 대한 상호 정보의 합은 일일 막대보다 시간 막대에서 더 큽니다. 대부분이 변동성이더라도 사실입니다. 따라서 특수 예측 모델에는 더 작은 기간이 더 적합할 수 있습니다.
몇 분 동안 특히 틱 - 시간과 PC 리소스 사용 측면에서 너무 낭비적일 수 있습니다. 나는 시계를 가지고 그들을 세기를 기대합니다. 우리는 볼 것이다.
여기서 가장 심각한 문제는 표면이 아니라 내부에 있습니다. DC의 과거 역사는 일정하지 않습니다. 막대가 계속 사라졌다가 나타납니다. 그리고 과거 역사의 국지적 변화는 결과(더 정확하게는 매트릭스)에 심각한 영향을 미칠 수 있습니다. 나는 그것을 별로 좋아하지 않는다. 나는 히스토리 지속성 문제를 해결하는 방법을 찾고 있습니다. 동시에 계산 수를 한 단계 더 줄일 수 있습니다.