uma estratégia comercial baseada na Teoria da Onda de Elliott - página 224
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
pelo valor H, positivo ou negativo, dependendo do sinal de
da diferença de preço no final e no início do intervalo. É calculado como
=(Valor do preço no final do intervalo - valor do preço no início do intervalo)/H, portanto
portanto, só pode tomar os valores 1 ou -1.
Se examinarmos gráficos de carrapatos com baixos valores de H, podemos ver que o preço muda em 2H, 3H ou mais por carrapato. Qual é o valor da mudança de preço neste caso?
pelo valor H, positivo ou negativo, dependendo do sinal
de diferença de preço no final e no início do intervalo. É calculado como
=(Valor do preço no final do intervalo - valor do preço no início do intervalo)/H, portanto
portanto, só pode tomar os valores 1 ou -1.
Se você examinar uma tabela de carrapatos com pequenos valores de H, então é possível que
o preço por carrapato muda em 2H, 3H ou mais. Qual é o valor neste caso
Mudança de preço?
Sim, há aqui uma imprecisão. O fenômeno, em modulação delta, é chamado de "sobrecarga de declive".
É avaliado de forma negativa. Em princípio, a própria fórmula está correta. Então, é assim:
A mudança de preço é o intervalo no qual o valor do preço muda
pelo valor H, positivo ou negativo, dependendo do sinal
de diferença de preço no final e no início do intervalo. É calculado como
=(Valor do preço no final do intervalo - valor do preço no início do intervalo)/H
portanto, só pode tomar valores inteiros positivos ou negativos
bem como valores negativos.
Correspondentemente, no caso de 2H, 3H etc., serão 2, 3 etc.
Graças à dica do solandr, eu baixei o arquivo de teca do site.
Não há necessidade de enviar uma segunda vez uma encomenda.
Obrigado.
?
Olhando para a figura.
Considero o segmento de Oren[i-1] a Oren[i], da área de valores de funções, como um salto contra-direcional no preço relativo ao segmento de Oren[i-2] a Oren[i-1]. O critério para o salto contra-direcional é o cumprimento da desigualdade:
(Orep[k]-Orep[k-1])*(Orep[k+1]-Orep[k])<0.
A seção de Orep[i] a Orep[i+1] é co-direcional em relação à seção de Orep[i-1] a Orep[i]. O critério para a co-direcionalidade do salto, é o cumprimento da desigualdade:
(Open[k]-Open[k-1])*(Open[k+1]-Open[k])>0.
Agora vamos voltar nossa atenção para o que Pastukhov escreve em seu artigo:
Vt e Ut no sentido é um número de todos os saltos multiplicado por H
Nt e Mt no sentido é apenas a soma de todos os saltos contra-direcionados.
Então a declaração que fiz no post acima:
FAC=1-2/H, está correta.
a Grans
Sergei, veja o comportamento dos preços e me diga: este é um mercado de tendências ou um mercado de puxar para trás?
Certo! - É impossível responder sem ambigüidade - a pergunta não está correta. Na TF=1 este é um mercado de tendências. De fato, a soma em qualquer parte da série temporal de produtos de espigões adjacentes é sempre positiva e uma posição deve ser aberta na direção do movimento de preços. Na TF=50, pelo contrário, vemos um flat pronunciado! De fato, a soma sobre qualquer segmento da série temporal (TF=50) dos produtos de picos adjacentes é sempre negativa e uma posição deve ser aberta contra a direção do preço anterior.
Agora, duas palavras sobre quão "longa" deve ser a soma. Eu já escrevi sobre resultados estatísticos. A conclusão é a única, o número de membros da soma deve ser de pelo menos 100. Neste caso, as flutuações dos resultados obtidos não excederão 10%. Isto provavelmente é precisão suficiente para fins de aplicação.
Agora, preste atenção! Vejamos seu desenho do post anterior. O que você está destacando com seus olhos como tendência deve ter cerca de uma centena de intervalos para ser destacado de forma confiável. Se esta seção for dividida em 100 intervalos, a TF será 100 vezes menor do que aquela em que você "destacou" a tendência com seus olhos. E não é um fato que em um TF 100 vezes menos não haverá um apartamento! Lembre-se do exemplo com o cosseno. Mas será um apartamento confiável no qual você poderá ganhar dinheiro. Pense sobre este paradoxo imaginário.
Agora, vamos dividir sua "tendência" não em 100 intervalos, mas em, digamos, 10. Oh! de fato, a soma dos produtos dos saltos de preço dos vizinhos é positiva - TREND! Sim, exceto que o erro de indetificação está ao nível de 30%. Isto é o que se chama uma "tendência estocástica".
É isso aí, não posso explicar de outra forma.
Se o FAC for positivo, temos um caso de tendência determinista; se o FAC for negativo, temos um flat determinista, ou em outras palavras, um pullback no comportamento dos preços.
Sergey, obrigado por sua explicação paciente. Talvez você esteja certo em seu raciocínio. Penso que levará algum tempo para que alguns de nós mudem nossa opinião sobre este problema. Só vou observar o seguinte do meu ponto de vista:.
Eu não vejo nenhum paradoxo. Eu não divido a série em intervalos. Acho que esta operação não tem fundamento e comete um grande erro. Eu analiso uma série como um todo, sem utilizar nenhuma janela.
Eu não preciso de uma tendência. Estou satisfeito com a força da relação entre as amostras. Isto geralmente é suficiente para a previsão (dei exemplos antes).
Eu não destaco a tendência com meus olhos. Se eu precisar saber de forma confiável se é ou não uma tendência, eu uso um critério adicional. As conclusões tiradas com base neste critério são confirmadas com meus olhos. É isso, mais precisamente.
A função sin() tem valores estatísticos de 2,127. Para ela o critério "nenhuma tendência" está na faixa (0: 1,9) e está quase imediatamente nesta faixa. Isto pode ser classificado em minha abordagem como um estado próximo a um "plano"
Transformações Pastukhov em um sentido "enrugam" a série e visam a um uso bem diferente. Não vejo argumentos convincentes a favor da utilização destas transformações para a detecção de tendências, por qualquer método, inclusive a autocorrelação.
Uma metodologia de detecção de tendências não deve ter nenhum parâmetro de entrada. Você tem dois deles: o primeiro é o tamanho da janela, o segundo são os parâmetros para as construções kagi, rengo ... Apenas a série inicial! Tem de tudo!
...Então a declaração que fiz no post acima:
FAC=1-2/H, está correta...
Confesso, até hesitei um pouco, em minha retidão. Mas rapidamente
caiu em mim. Sugiro que você faça o mesmo.
OK, que se lixe, H-Hurst, nem todos
entendem seus algoritmos de cálculo de qualquer forma, vamos olhar para FAC. Entendo que é uma função da
autocorrelação. As fórmulas provavelmente podem ser encontradas aqui ou em livros didáticos.
Eu dei uma olhada no tutorial e observei a implementação do FAC no Statistica.
Construída três linhas de dados, a primeira é assim: 1,-1,1,-1,-1 etc.
A segunda fila é: 2,-2,2,-2 etc.; e a terceira é 2,-1,2,-1 etc. As volatilidades H para eles,
são 1, 2 e 1,5, respectivamente. O valor FAC, calculado em Statistica, para
lag = 1, para todas as três séries -0,995, o que é em geral natural,
baseado no entendimento de autocorrelação. Para lag =2, seria 0,993, etc...
Nota, as três séries são completamente diferentes em
- H-volatilidade e a mesma em FAC(para a mesma defasagem).
Ou seu FAC não é o mesmo que o convencional, ou você tem um erro em seu raciocínio
.
.
Vento do Norte, estou influenciando a FAC em uma série de primeiras diferenças e você na série original. Daí a diferença.
Naturalmente, se duas séries X e Y são definidas, então o coeficiente de correlação é calculado usando a fórmula:
r=SUM(X*Y)/SUM(X^2).
Se agora formos para a definição do coeficiente de autocorrelação, temos:
r=SUM(X[i]*X[i-1])/SUM(X[i]^2),
passando desta para as pri meiras diferenças, temos: r=S UM(X[i]*X[i-1])/SUM(X[i]^2), passando desta para as primeiras diferenças, temos
r=SUM{(X[i]-X[i-1])*(X[i+1]-X[i])}/SUM(X[i]-X[i-1])^2),
ou, em primeira aproximação:
r=SUM{sign((X[i]-X[i-1])*(X[i+1]-X[i]))}/N, onde N é a janela de soma.
Que é, de fato, o que foi afirmado.
...Vento do Norte, estou afetando a FAC em uma série de primeiras diferenças e você na série original. Daí a diferença.
Naturalmente, se duas séries X e Y são definidas, então o coeficiente de correlação é calculado usando a fórmula:.
Por favor, observe o exemplo que dei de "1,-1,1,-1,1,1,1,-1...".
é convertido em "-2,2,-2,2..." sob a forma de primeiras diferenças. FAC(lag=1) para estas séries
são idênticos em valor, e correspondem totalmente às noções teóricas,
declarando que para tais séries a correlação com o valor anterior
está perto de 1. Ao mesmo tempo, a volatilidade H para estas séries consideradas é diferente,
ou seja, acontece que sua fórmula não está totalmente correta.
Não foram usadas aqui duas séries X e Y. É só que, para testar
três filas de dados foram calculadas independentemente uma da outra.
Você calcula o FAC para as linhas "3,-3,3,-3..." e "1,-1,1,1,-1...",
você me mostra o resultado, eu calculo a volatilidade H. Depois comparamos.
você mostra o resultado, eu calculo as volatilidades H. Depois comparamos.
Para a primeira linha:
FAC=SUM{sign((X[i]-X[i-1])*(X[i+1]-X[i]))}/N={sign((-3-3)*(3-(-3))+sign((3+3)*(-3-3)+...+}/N=
={-1+(-1)+...+(-1)}/N=-1,
H-volatilidade (vamos denotar por H),
H=(soma dos valores absolutos de todos os movimentos de preços)/(soma das inversões de movimentos)=h*N/N=1*h, onde h=3.
FAC por significado, é sem dimensão. A volatilidade H é dimensional em amplitude, por isso a normalizamos por h para comparação.
Eu argumentei FAC=1-2/H, nós temos -1=1-2/1=-1, ou seja, a identidade.
Para a segunda série:
FAC=-1,
H=h*N/N=1*h, onde h=1.
Nós temos -1=1-2/1=-1, ou seja, a identidade.
O que era necessário para provar.
você me mostra o resultado, eu calculo a volatilidade H. Depois comparamos.
Para a primeira fila:
ФАК=SUM{sign((X[i]-X[i-1])*(X[i+1]-X[i]))}/N={sign((-3-3)*(3-(-3))+sign((3+3)*(-3-3)+...+}/N=
={-1+(-1)+...+(-1)}/N=-1,
Sim, eu concordo. Somente eu o fiz de forma diferente, mas o resultado é o mesmo.
H-volatilidade (vamos denotar por H),
H=(soma dos valores absolutos de todos os movimentos de preços)/(soma das inversões de movimentos)=h*N/N=1*h, onde h=3.
FAC por significado, é sem dimensão.
Sim, isso é o que eu penso também.
A volatilidade H é dimensional em amplitude, por isso a normalizamos por h para comparação.
Mas é aí que está errado. Tudo já está definido em h. Portanto, não há necessidade de normalizá-la.
Eu argumentei FAC=1-2/H, ter -1=1-2/1=-1, ou seja, a identidade.
Você, às custas da "normalização", reduz todos os casos a um caso em que =1.
Além disso, em vez da fórmula "direta" para calcular a volatilidade H, você parece
Você usa sua própria fórmula que está errada e, portanto, seu resultado está em erro.
Para a segunda fila:
FAC=-1,
H=h*N/N=1*h, onde h=1.
Temos -1=1-2/1=-1, ou seja, uma identidade.
O que era necessário para provar.
Vamos calcular FAC e H-volatilidade para
outra série, por exemplo, 3,-1,3,-1, etc. Eu defendo que FAC seria =-1, H-volatilidade =2.
A partição H é feita em h=1. Não é necessário tomar nenhuma diferença, a série é pura.
A propósito, outro exemplo interessante de uma série, 1,2,-3,1,1,2,-3. O que você acha que vai acontecer?