Obtenção de uma BP estacionária a partir de um preço BP - página 7
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
Portanto ..... ? Então? A densidade de potência espectral não é necessária para os comerciantes porque não permite prever (sintetizar) a forma do sinal para o futuro.
Não necessariamente - uma previsão de inversão é suficiente para o comércio de tendências
Esta é apenas a sua *assunção* do reino dos mitos. Você não pode nem mesmo mostrar COMO o faria (prever uma inversão) com apenas densidade de potência espectral.
Como sabemos, as BPs estacionárias são previsíveis se não forem ruído branco.
Há, portanto, uma demanda urgente de conversão de BPs não estacionários para estacionários, mas com a possibilidade de conversão inversa.
A variante mais primitiva. Aproximar o preço VR. Extrapolar. A diferença entre a BP extrapolada e a BP real também é a BP, mas uma BP estacionária. Vamos chamar esta nova BP de sintética.
Extrapolar a BP sintética. Resumimos isso com a extrapolação do preço VR. Se a BP sintética não for ruído branco, a saída é uma previsão - o resultado da soma das duas extrapolações.
Eu era preguiçoso demais para ler todos os posts aqui. Portanto, vou fazer uma pergunta que talvez já tenha sido feita antes de mim. Qual é o critério de aproximação? Qual é o desvio padrão mínimo no intervalo que está sendo testado? E como escolhemos o comprimento do modelo?
Para ver para onde vou com minhas perguntas, tome como exemplo o modelo AR. Para adequá-lo, divida os dados passados em amostras de treinamento, ou seja, entradas e saídas. Adaptando o modelo a esses dados, seja por regressão linear, método de Burg, ou outro método de previsão linear. Você sugere que depois de ajustar este modelo AR, devemos calcular os erros de previsão nos dados passados (ou seja, os mesmos erros que tentamos reduzir durante o ajuste) e ajustar outro modelo AR a uma série de erros e assim por diante. Não há muito sentido em fazer isso, pois o comprimento do modelo AR deve ser escolhido de modo que o erro de aproximação tenha as propriedades do ruído branco. Caso contrário, você tem um modelo curto e seus erros não se comportam como ruído branco, mas algo previsível. Mas encaixar um segundo modelo sob uma série de erros, e depois um terceiro e assim por diante tem o mesmo resultado que aumentar a ordem (comprimento) do primeiro modelo AR.
É mais correto construir o primeiro modelo em etapas, aumentando o comprimento do modelo até que o erro de aproximação se comporte como ruído. Muito tem sido escrito sobre isso em livros e artigos.
Eu era preguiçoso demais para ler todos os posts aqui. Portanto, vou fazer uma pergunta que talvez já tenha sido feita antes de mim. Qual é o critério de aproximação? Qual é o desvio padrão mínimo no intervalo que está sendo testado? E como escolhemos o comprimento do modelo?
Para ver para onde vou com minhas perguntas, tome como exemplo o modelo AR. Para adequá-lo, divida os dados passados em amostras de treinamento, ou seja, entradas e saídas. Adaptando o modelo a esses dados, seja por regressão linear, método de Burg, ou outro método de previsão linear. Você sugere que depois de ajustar este modelo AR, devemos calcular os erros de previsão nos dados passados (ou seja, os mesmos erros que tentamos reduzir durante o ajuste) e ajustar outro modelo AR a uma série de erros e assim por diante. Não há muito sentido em fazer isso, pois o comprimento do modelo AR deve ser escolhido de modo que o erro de aproximação tenha as propriedades do ruído branco. Caso contrário, você tem um modelo curto e seus erros não se comportam como ruído branco, mas algo previsível. Mas encaixar um segundo modelo sob uma série de erros, e depois um terceiro e assim por diante tem o mesmo resultado que aumentar a ordem (comprimento) do primeiro modelo AR.
É mais correto construir o primeiro modelo em etapas, aumentando o comprimento do modelo até que o erro de aproximação se comporte como ruído. Muito tem sido escrito sobre isso em livros e artigos.
Oh, cara!
Oh, vamos lá, colega!? Ninguém aqui conhece sequer palavras tão inteligentes (como você escreve: "critério", "aproximação"), mas conhece exatamente 3-4 pessoas. E eles estão obviamente cansados de explicar as verdades claras a todos, por isso se mantêm em silêncio.
Converter uma série não estacionária em uma série estacionária é algum tipo de exercício que não tem nada a ver com lucro.
>> Nada do tipo. O que está sendo discutido, no sentido mais amplo, é obter de uma série não estacionária de preços, uma série estacionária de lucros.
Por instigação do gramado (pelo qual lhe agradeço), comecei a desenvolver a seguinte idéia.
3. Prevemos ZZ em 2 etapas - conclusão da onda atual e da próxima. Provavelmente, é possível utilizar um modelo de regressão complicado, por enquanto me limito às estatísticas habituais.Este ponto é o mais importante, pois dá as maiores amplitudes. Você poderia ser mais específico? ;-) Obviamente, não é uma estatística, ou seja, não é apenas a média dos tamanhos das etapas ou mesmo a distribuição do tamanho da etapa seguinte em relação à anterior.
Nada do tipo. O que está sendo discutido, no sentido mais amplo, é obter de uma série não estacionária de preços, uma série estacionária de lucros.
Eu não entendo. TS tem lucro e eu não vi uma palavra sobre TS.
Eu não entendo. O TS tem lucro e ainda não vi uma palavra sobre o TS
profit=f(série de preços)
Este ponto é o mais importante porque opera com as maiores amplitudes. Você pode ser mais específico? ;-) Evidentemente não significa estatísticas usuais, ou seja, não simplesmente tamanho médio da etapa ZZ e até mesmo não distribuição do tamanho da etapa seguinte em relação à anterior.
Infelizmente, por enquanto - distribuição. Pretendo classificar as distribuições por erro de previsão, talvez haja aí um padrão.
Não.
1. Primeiro aproximamos as séries de preços. Obtemos a fórmula para a aproximação do preço BP: price_appr(tempo)
Extrapolate price_appr(time + i).
3. Obter delta sintético(tempo + i) = Aberto[tempo + i] - preço_appr(tempo + i)
4. Verificar delta(x) para ruído branco. Se for barulhento, vovó chata. Se não fizer barulho, continue.
5. Sínteses aproximadas e obter fórmula: delta_appr(tempo)
6. Previsão: previsão(tempo + i + j) = preço_appr(tempo + i + j) + delta_appr(tempo + i + j)
onde: i e j são OOS das etapas anteriores. tempo, i e j são conjuntos de tempo não sobrepostos
Esta é uma sugestão interessante.
Embora a metodologia de previsão não seja muito clara. O que está realmente sendo previsto?
Mas há uma outra tarefa a ser resolvida primeiro.
Como verificar o ruído branco ou não?
profit=f(série de preços)
As conversões da BP em algo mais decente são abundantes - todos (ou quase) os indicadores, mas nenhum lucro é visível. Sempre, quando um indicador é desenvolvido, é sempre a idéia primeiro e depois a implementação. Aqui eles dizem "é bom se a BP for estacionária no lugar de não estacionária". O que é bom? O desenvolvimento de todos os indicadores visa a refletir alguma característica da BP inicial. Aqui tal tarefa não é definida de forma alguma, a tarefa é declarar as características do resultado, e o que este resultado mostrará da BP inicial é desconhecido.
A propósito, aqui no fórum foi apresentado um gráfico que mostra que o comprimento das velas depende da hora do dia.