![MQL5 - Linguagem para estratégias de negociação inseridas no terminal do cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
Artigo interessante http://elementy.ru/lib/164581
Então, o que temos? Há ruído - bastante forte: volatilidade. Há um sinal regular fraco (dificilmente periódico, mas definitivamente está lá). A fraqueza do sinal regular é confirmada por um valor de retorno muito baixo em comparação com a própria volatilidade, mesmo em fortes tendências. Já dei estes valores em algum lugar pelo exemplo: o EUR vai subindo nos dados diários durante 6 anos que é cerca de 1600 barras diárias. Durante este período de tempo o EUR passou por 6000 pontos. Portanto, a expectativa matemática é inferior a 4 pips (baixo impacto regular). Ao mesmo tempo, a volatilidade nas barras diárias é de cerca de dezenas de pontos (ruído).
Os estados estáveis são planos na parte superior durante as reversões ou correções. As tendências são estados instáveis de transição de um plano para o outro. Antes de uma tendência, um sinal regular é amplificado por ruído plano e aparece como saltos bruscos, muitas vezes momentâneos de nível para nível.
Como podemos aprender algo prático com isso?
P.S. Por exemplo, como podemos extrair apenas o componente aleatório (ruído puro) da volatilidade para obter um sinal regular? A volatilidade é conhecida por ser um processo antipessoal. Simplesmente subtrair uma constante dela não vai funcionar, pois o sinal está ficando mais forte durante a tendência. Detrender? E a que, eu me pergunto, o coeficiente de amplificação é igual?
Hi.
Há muito tempo eu venho usando ressonâncias em meus sistemas. Sem revelar nenhuma opção particularmente interessante, posso dizer o seguinte - tomar qualquer indicador de tendência.
Você faz outro com 2 períodos do mesmo indicador e obtém as ressonâncias sobre os picos de mercado e os troughs.
A única coisa que você tem que aprender a identificar o momento de entrar em uma posição. Estou anexando uma captura de tela de um desses indicadores.
Acho que como uma cópia do indicador tem um período maior que a outra, é necessário sintonizar em pares e TF para obter ressonâncias claras.
Gostaria de desejar a vocês uma boa tendência e mais lucros.
Suponha que haja uma seqüência normalmente distribuída de valores X. O número de membros da seqüência é N=1000000, o valor médio é A, e o ska é S. Obviamente, o conjunto de valores dos elementos X é delimitado por cima, ou seja, todos os X pertencem ao intervalo [0,Xmax]. Pegamos uma amostra de M=100 membros da seqüência e calculamos sua média XM. Formamos uma nova seqüência Y = {XM} de todas as amostras sequenciais contendo elementos M da seqüência original. É claro que o conjunto de valores Y também é delimitado.
Como encontrar seus limites superior e inferior, ou seja, o intervalo de valores [Ymin,Ymax] ?
Estou naturalmente interessado na avaliação analítica por meio de estatísticas matemáticas (na qual eu, infelizmente, não sou forte). Calcular de frente não é difícil, mas não é interessante. Interessante obter uma dependência dos limites do intervalo na relação de N e M e propriedades estatísticas da seqüência inicial.
Se X é uma variável aleatória, então Y é a soma de M variáveis aleatórias independentes com a mesma distribuição que X. Assim, se X for normal, então Y também será normal, com variância S/sqrt(M). A questão dos valores máximos e mínimos só pode ser colocada para uma determinada realização da série (ou seja, conta de frente), para uma realização arbitrária só podemos falar de probabilidades.
P.S. O acima não significa que eu me considere um especialista em estatística matemática :)
Também não pretendo ser um especialista, mas a variação da soma de Nsum=a soma das variações. Então Dsum=M*D => Ssum=sqrt(M)*S (Ssum-sigma de distribuição Y, S-sigma de distribuição X).
A expectativa matemática da soma das variáveis aleatórias é igual à soma das expectativas matemáticas Asum=M*A
A probabilidade de SV Y em qualquer intervalo pode ser encontrada usando as tabelas de valores da função Laplace. Por exemplo, como conseqüência em 3 sigmas será com probabilidade de 0,9973. Isso significa que essa probabilidade estará na faixa: -3*Sum+Asum<Y<3*Sum+Asum => -3*S*sqrt(M)+A*M<Y<3*S*sqrt(M)+A*M
Por exemplo. Se a função de distribuição for conhecida, então para qualquer X0 sabemos a probabilidade P de ter um elemento com valor >=X0 na seqüência. Se a seqüência contém N elementos, o número total de elementos na seqüência que satisfazem a condição X>=X0 é P*N. Se este valor for inferior a 1, ou seja, 0, então estatisticamente Xmax<X0. Mas, é claro, isso não significa que de fato nenhum elemento >=X0 possa aparecer em tal seqüência.
... Se X>=X0, a expectativa matemática do número de elementos sequenciais que satisfazem a condição é P*N. Este valor é sempre inferior a 1 (a menos que a função de distribuição seja cortada artificialmente, naturalmente). A probabilidade de não haver número >= X0 na seqüência de comprimento N é (1-P)^N.
P. S. As palavras "Esta quantidade é sempre inferior a 1 (a menos que a função de distribuição seja artificialmente truncada)" referem-se a P, ou seja, não fornecem informações essencialmente novas e são redundantes nesta frase :)
Eu também não finjo ser um especialista, mas a variação da soma de NSV=a soma das variações. Portanto Dsum=M*D => Ssum=sqrt(M)*S (Ssum-sigma de distribuição Y, S-sigma de distribuição X).
Eu também não finjo ser um especialista, mas a variação da soma de NSV=a soma das variações. Portanto Dsum=M*D => Ssum=sqrt(M)*S (Ssum-sigma de distribuição Y, S-sigma de distribuição X).
Onde está a condição: dividida por M?
De onde veio a condição: dividida por M?
Yurixx escreveu (a):
.
..Pegamos uma amostra de M=100 membros da seqüência e calculamos sua média XM. Formar uma nova seqüência Y = {XM} ...
Alimentamos um neurônio - um oscilador com um pequeno período médio para a entrada, e outro - um oscilador com um grande período para a entrada. Adicione outro neurônio com um oscilador de um período muito longo.
As saídas desses neurônios são alimentadas pela entrada do quarto neurônio que já emite dados de ressonância: se o número está em torno de zero, não há ressonância; se está acima de zero e crescendo, um impulso ascendente e uma tendência ascendente entram em ressonância; e vice-versa: se está abaixo de zero e caindo, um impulso descendente e uma tendência descendente entram em ressonância.
De onde vem a condição: dividida por M?
Yurixx escreveu (a):
.
..Pegamos uma amostra de M=100 termos da seqüência e calculamos sua média XM. Formar uma nova seqüência Y = {XM} .
..Então, desculpe-me, não entendi as condições.
Se uma série de médias for considerada, e mesmo em seções sobrepostas, elas são dependentes. Você tem que considerar o incremento (será independente).
XMi - XMi-1=(Xi - Xi-M)/M
Parece sugerir que a SV tem a expectativa matemática=0, D=2*D1/M, RMS=sqrt(2*D1/M)
Se isto estiver correto, então continue com a tabela de valores da função Laplace.
Se uma série de médias for considerada, e mesmo em parcelas sobrepostas, elas são dependentes.
Yurixx escreveu (a):
Formar uma nova seqüência Y = {XM} de todas as amostras consecutivas contendo M elementos da seqüência original.
Assim, eles serão apenas independentes
Se uma série de médias for considerada, e mesmo em parcelas sobrepostas, elas são dependentes.
Yurixx escreveu (a):
Formar uma nova seqüência Y = {XM} de todas as amostras consecutivas contendo M elementos da seqüência original.
Assim, eles serão apenas independentes
Então, não vai funcionar:
Yurixx escreveu (a):
Não, estamos apenas falando de uma janela deslizante de amostras M de comprimento. Portanto, o número de elementos na seqüência Y é N-M+1.