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
O MA perfeito faz. O diálogo do autor. Alexander Smirnov".
ver post ANG3110 06.02.2008 20:48
Até que ponto é perfeito se for refazido?
maximizamos o lucro "sem conhecer" a história, analisando apenas a última leitura da citação e seu único valor anterior X[i]-X[i-1] e é isso. Parece ser assim.
Ou seja, você está criando o sistema mais rentável possível. E o método que você está desenvolvendo utiliza todas as regularidades que podem ser rastreadas na história disponível para você.
>> Negrito!
Até que ponto é perfeito se for refazido?
Pegamos uma história, construímos um MA perfeito sobre ela. Isto é o que se deve buscar. E nós procuramos aquele que não se extravie e que tenha um desvio mínimo desta curva. É assim
Ou seja, você está criando o sistema mais rentável possível. E o método que você está desenvolvendo utiliza todas as regularidades que podem ser rastreadas até a história disponível para você.
Ousado!
Ora, ora, ora, ora. Eu pareço o paciente número seis?
Obviamente, se você usar este método ou qualquer outro para prever a dinâmica de uma variável aleatória integrada (exatamente aleatória, não quase aleatória), você terá zero! Por definição, não se pode vencer um processo aleatório, é uma lei da natureza. Por outro lado, as séries cronológicas (TRs), como as séries de preços, não são completamente aleatórias, existem regularidades explícitas e implícitas, cuja exploração permite a obtenção de renda estatística no mercado Forex. Portanto, precisamos de métodos e ferramentas para detectar esses padrões fracos. Um desses métodos é a aplicação de médias móveis a citações. Este método tem uma área de aplicabilidade bem definida, onde sua exploração é justificada e matematicamente correta. Em sua essência, todas as médias móveis são uma forma de integração da BP inicial. No sentido mais geral, a integração é a previsão do futuro por tendências, enquanto a diferenciação é a determinação das tendências do processo. Mas quais são exatamente as tendências? Se olharmos atentamente para o pacote de
BP-MA-previsão, não é difícil determinar o requisito de aplicabilidade do método MA, como um coeficiente de correlação positiva entre leituras vizinhas na série da primeira diferença de BP. É neste caso, os MAs darão estratégias lucrativas e nosso MA dará o melhor lucro de todos! É por isto que estamos lutando.
Entretanto, se analisarmos os preços BPs para o cumprimento do requisito acima, o resultado da análise será bastante negativo. Realmente, a realidade é que as séries de preços em todas as TFs geralmente têm um pequeno coeficiente de autocorrelação negativa na série da primeira diferença e somente às vezes, nas tendências, este coeficiente é positivo.
A aplicabilidade do método proposto e sua eficiência só pode ser estimada pelos resultados do experimento.
Eu continuo querendo chegar a Bulashov. A fórmula para o purê perfeito era mais ou menos a mesma lá. Mas acabou sendo um DEMA.
Em vez de Mashek, uso a interpolação por polinômios de poder usando o método NK
em alguma janela. Claramente, a extrapolação da curvatura de interpolação
mesmo em uma pequena vizinhança futura, é quase inútil, mas para descrever a atual
no lugar mais interessante - na borda direita da BP, nos permite descrever o estado atual.
Variando o tamanho da janela e o grau da curvatura, é possível
por outro lado, é possível ter uma visão mais geral ou detalhada do que está acontecendo, enfatizando o processo atual e suas fases.
processo e suas fases.
Na minha opinião, a única maneira de prever o futuro da BP é analisar
a evolução dos processos - como se houvesse um forte processo descendente, no estado atual
foi substituído por um processo lateral -> mais um processo de crescimento é possível.
Esta abordagem, em minha opinião, é especialmente útil para os operadores de rede, porque os NSs podem
alimentam algumas características típicas de uma curva de interpolação,
por exemplo, o componente de tendência (direção e magnitude), o desvio em relação
componente de tendência, uma forma de curva formalizada, etc. - em geral, na medida em que
de sua imaginação - ensinando a rede a identificar a corrente e a prever
Prever processos futuros e construir uma estratégia comercial com base nisso.
Você também pode suavizar o passado distante e próximo de maneiras diferentes - algo
semelhante ao EMA. Também é possível implementar uma abordagem sintética
- usar uma média móvel muito baixa com um comprimento correspondente
atraso, e o passado próximo, onde os mouvings ainda não estão funcionando,
analisá-lo utilizando a curva de interpolação.
Tal abordagem, em minha opinião, é especialmente útil para os operadores de rede, porque a NS pode
para alimentar algumas características típicas de uma curva de interpolação,
por exemplo, componente de tendência (direção e magnitude), desvio de
componente de tendência, uma forma de curva formalizada, etc. - em geral, na medida em que
de sua imaginação - ensinando a rede a identificar a corrente e a prever
Prever processos futuros e construir uma estratégia comercial com base nisso.
Na minha opinião, este tipo de pré-processamento de dados de entrada para NS é uma espécie de muleta. Ao integrar a BP inicial com muves, primeiramente deixamos o quadro de preços claro para nós mesmos (curva suave, tendências visíveis), enquanto o próprio processo de suavização não traz nenhuma informação adicional aos dados de entrada (não está disponível) e, portanto, não facilita o trabalho do NS. Deste ponto de vista, dados especialmente dissecados devem ser alimentados com a entrada dos NS, o que concentra ao máximo a atenção da rede no processo quase-estacionário. Um candidato a tal processo pode ser um coeficiente de correlação negativa no PDF, ele, a propósito, não pode ser isolado pela integração do kotir (suavização). Outros métodos e abordagens são necessários aqui. Isto parece promissor.
Você também pode suavizar o passado distante e próximo de maneiras diferentes - algo
semelhante ao EMA. Também é possível implementar uma abordagem sintética
- usar uma média móvel muito suavizada com um comprimento correspondente
atraso, e o passado próximo, onde o muving ainda não está funcionando,
analisar por curva de interpolação.
Tudo isso é complicado e requer uma boa justificativa, mas é quase certamente um desperdício de esforço e tempo.
... séries de preços em todas as TFs tendem a ter um pequeno coeficiente de autocorrelação negativa na primeira série de diferenças e somente às vezes, nas tendências, este coeficiente é positivo.
Suponha que haja alguma amostra da BP original, por exemplo, na M1. Construímos uma série da primeira diferença d1[i]=Open[i]-Open[i-1], então o coeficiente de correlação para TF=1m entre amostras vizinhas é calculado como; f1=SUM(d1[i]*d1[i-1])/SUM(d1[i]^2), onde o índice executa todos os valores de BP. Para a TF=2m fazemos o mesmo, construindo primeiro a BP por 2m e encontrando sua primeira diferença d2[i] e assim por diante até a TF desejada. Eu me limitei a TF=1500 minutos (cerca de 24 horas). Pode surgir a questão de como construir outra TF a partir de minutos, por exemplo para a M2, mas tudo parece ser transparente aqui. São estes dados (valor do coeficiente de correlação em RPM para diferentes TFs) que eu plotei no post anterior.
Suponha que haja alguma amostra da BP original, por exemplo, na M1. Construímos uma série da primeira diferença d1[i]=Open[i]-Open[i-1], então o coeficiente de correlação para TF=1m entre amostras vizinhas é calculado como; f1=SUM(d1[i]*d1[i-1])/SUM(d1[i]^2), onde o índice executa todos os valores de BP. Para a TF=2m fazemos o mesmo, construindo primeiro a BP por 2m e encontrando sua primeira diferença d2[i] e assim por diante até a TF desejada. Eu me limitei a TF=1500 minutos (cerca de 24 horas). Pode surgir a questão de como construir outra TF a partir de minutos, por exemplo para a M2, mas tudo parece ser transparente aqui. Exatamente estes dados (valor do coeficiente de correlação em RPM para diferentes TFs) é o que mostrei no post anterior no gráfico.
Melhor ainda ) O que são estas fórmulas e de onde você as tira.
вот посмотрите как расчитывается коэффициент кореляции https://ru.wikipedia.org/wiki/%D0%9A%D0%BE%D1%8D%D1%84%D1%84%D0%B8%D1%86%D0%B8%D0%B5%D0%BD%D1%82_%D0%BA%D0%BE%D1%80%D1%80%D0%B5%D0%BB%D1%8F%D1%86%D0%B8%D0%B8
O coeficiente de correlação é calculado entre arrays, não entre contagens. Por favor, seja preciso em seu texto para que outros possam entender o que você está dizendo, afirmando e contando.