Показатель Херста - страница 36

 
Читала в основном диссертации на эту тему. А расчет взяла http://capital-times.com.ua/index.php?option=com_content&task=view&id=11623&Itemid=88888963
 
Rnita:
Читала в основном диссертации на эту тему. А расчет взяла http://capital-times.com.ua/index.php?option=com_content&task=view&id=11623&Itemid=88888963

Очень интересная тема. Хотелось бы надеяться в будущем познакомиться результатом.

В качестве вклада в разработку темы.

Для применения показателя Херста используются  дробно-интегрированные модели FARIMA. Для этих моделей имеется готовый код для оценки параметров. Эксель - это не тот пакет, который можно обсуждать. К сожалению, алгоритмы реализованы в R, весьма сволочная система программирования. Может быть еще где-либо реализованы. Искать надо по FARIMA и long run memory. В аттаче прицепил инструкцию из R по использованию моделей FARIMA. Много литературы можно найти здесь за очень умеренные деньги. Искать надо по time series и R. Полно очень толковых книг.

Успехов. Надеюсь, что результат Вы выложите на форуме, или хотя бы в личку. 

Файлы:
fracdiff.zip  145 kb
 

Ноль в файле в столбце D не получается из-за ошибок в формулах. Первая - в ячейке D87, далее по тексту еще с десяток. Перезабейте этот столбец, остальное вроде бы правильно (хотя, проверьте заодно еще и расчет СКО).

Насчет остального. Показатель Херста - это вообще говоря интегральная характеристика, т.е. она характеризует саму случайную величину на протяжении всего времени измерения, а не какую-то точку ряда ее реализации. Поэтому применительно к практике нельзя говорить "мы рассчитали H", правильно было бы "мы оценили H". Это не какой-то там снобизм, имеется в виду, что Вы никогда не узнаете точно, какой там был показатель херста у какой-то величины, т.к. эта информация доступна лишь господу б-гу, а лишь с той или иной степенью уверенности можете оценить его значение, причем чем больше наблюдений вы имеете, тем точнее будет оценка. Отсюда ответ на Ваш вопрос: разбивать ряд на периоды или нет, зависит от того, нужна ли Вам оценка показателя Н для всего ряда, либо для каких-то его кусков (никто ведь не сказал нам, что он постоянен во времени, правда?). В качестве N можете просто принять число наблюдений в вашей выборке.

 
Спасибо! Буду изучать, результаты выложу, только вот уровень, скорее всего, будет очень низкий, так как очень сложно в мозгу укладывается данный материал. Критику воспринимаю адекватно ))))
 
Rnita:
Читала в основном диссертации на эту тему. А расчет взяла http://capital-times.com.ua/index.php?option=com_content&task=view&id=11623&Itemid=88888963

Эта статья Эрика Наймана (2010), которая в свою очередь писалась по книге Адгара Петерса (1990), который взял этот метод из работ Мандельборта (1960-70), в которых впервые для массовой публики был описан метод придуманный 70-ти летним старичком Гарольдом Эдвином Херстом в далеком 1951. Я все это к тому, что когда на диссертационном совете вас спросят о новизне предложенной темы, Вам нужно будет представить старичка Эдвина из XIX столетия - новатором фрактальной геометрии:)

Ну а если серьезно, метод был разработан, как видно выше, к конкретному и сильно ненормальному процессу - разливу Нила. На картинке ниже, очевидна несоразмерность размахов разлива к общей тенденции или математическому ожиданию. И поэтому для конкретного процесса - разлив Нила, этот метод хорош и работает, но для финансовых рынков, как его попытался представить Мандельборт его уже недостаточно. При любых раскладах и на любых рынках, в т.ч. СБ, ваш расчет будет показывать значение около 0,54. Нужны другие, более точные методы. И коль скоро Вы пишете диссертацию, то без модели дробной интегрированной авторегрессионной скользящей средней FARIMA не обойтись, а она есть только в специализированных стат. пакетах. Там H можно задать произвольный. Но проблемы это не решает, ведь чтобы хотя бы подогнать рынок под модель, нужно рассчитать его H, а как это сделать если наиболее простой и распространенный метод не работает? Есть другие наработки на эту тему, работы Пастухова, Ширяева. Смотрите их. Они более научны и лучше подходяд для диссертации, но вот более рабастые ли они - вопрос. Еще есть смежная ветка на эту же тему, посмотрите здесь.

 

 
C-4: когда на диссертационном совете вас спросят о новизне предложенной темы, Вам нужно будет представить старичка Эдвина из XIX столетия - новатором фрактальной геометрии:)

Ну не XIX таки, а XX.

Да фигня этот Херст на самом деле. Точно alsu говорит, что это нечто интегральное.

 
Mathemat:

Ну не XIX таки, а XX.

Да фигня этот Херст на самом деле. Точно alsu говорит, что это нечто интегральное.


Скорее даже так - H в большей степени характеризует внешнюю среду (так сказать, ее "вязкость", "упругость" и т.д.), чем саму систему. Если перенести на конкретный рыночный инструмент, то здесь H - некая количественная характеристика внешнего (фундаментального, как мы привыкли говорить) фона: мобильности идей, типичных действий соответствующих центробанков, "темперамента" трейдеров и т.п. (сравнить поведение евро и йены, например), при том, что сами по себе валютные пары в плане внуренней модели ничем не различаются (принципы и правила совершения сделок одинаковы для всех инструментов).
 
alsu:

Скорее даже так - H в большей степени характеризует внешнюю среду (так сказать, ее "вязкость", "упругость" и т.д.), чем саму систему. Если перенести на конкретный рыночный инструмент, то здесь H - некая количественная характеристика внешнего (фундаментального, как мы привыкли говорить) фона: мобильности идей, типичных действий соответствующих центробанков, "темперамента" трейдеров и т.п. (сравнить поведение евро и йены, например), при том, что сами по себе валютные пары в плане внуренней модели ничем не различаются (принципы и правила совершения сделок одинаковы для всех инструментов).

Если посмотреть на " H в большей степени характеризует внешнюю среду", то следует обратить внимание на английские термины, употребляемые в связи с Херстом. Вот копипаст из монографии по ВР: 

 

Some time series exhibit marked correlations at high lags, and they are referred
to as long-memory processes. Long-memory is a feature of many geophysical
time series. Flows in the Nile River have correlations at high lags,
and Hurst (1951) demonstrated that this affected the optimal design capacity
of a dam. Mudelsee (2007) shows that long-memory is a hydrological property
that can lead to prolonged drought or temporal clustering of extreme
floods. At a rather different scale, Leland et al. (1993) found that Ethernet
local area network (LAN) traffic appears to be statistically self-similar and a
long-memory process. They showed that the nature of congestion produced by
self-similar traffic differs drastically from that predicted by the traffic models
used at that time. Mandelbrot and co-workers investigated the relationship
between self-similarity and long term memory and played a leading role in

establishing fractal geometry as a subject of study.

 Прошу отметить такие слова

Some time series exhibit marked correlations at high lags

И

shows that long-memory

Попытался выяснить: что такое длинная память? Это оказывается автокорреляции свыше 40 наблюдений! Но в котирах столь длительная корреляция одного знака встречается крайне редко. Во всяком случае, потратив час, я не нашел.

Большое число людей пытаются использовать показатель Херста. Ни разу не видел положительного результата. Может быть сначала надо найти котиры. в которых long memory? 

 
faa1947:

Большое число людей пытаются использовать показатель Херста. Ни разу не видел положительного результата. Может быть сначала надо найти котиры. в которых long memory? 


long memory означает, что Н для данной величины значительно отличается от 0.5, чего в котирах, конечно, нет. Попытки использовать его в данной области провальны из-за того главным образом, что Н очень сложно достоверно оценить на небольшой выборке, поэтому результатам на 100 и даже 1000 свечек доверять, скорее всего, нельзя. А на больших интервалах Н весьма близок к половинке, т.е. дает довольно мало информации (полезной) о поведении цены, уж по крайней мере такой, которая позволила бы переиграть спред.
 
alsu:

long memory означает, что Н для данной величины значительно отличается от 0.5, чего в котирах, конечно, нет. Попытки использовать его в данной области провальны из-за того главным образом, что Н очень сложно достоверно оценить на небольшой выборке, поэтому результатам на 100 и даже 1000 свечек доверять, скорее всего, нельзя. А на больших интервалах Н весьма близок к половинке, т.е. дает довольно мало информации (полезной) о поведении цены, уж по крайней мере такой, которая позволила бы переиграть спред.

Для меня ширина окна имеет довольно важное значение.

При ширине окна несколько сотен наблюдений начинает работать предельная теорема, которая дает среднюю температуру, которая очень быстро начинает двигаться к своему мо. А что нужно для прогноза, фактически, на следующий бар?

В своих ТС всегда пытаюсь найти оптимальную ширину окна. Она колеблется в пределах 30-70 наблюдений (для Н1). После 118 (неделя на Н1) картина резко меняется. Именно в этой связи стал задумываться про термин long memory.

ЗЫ. В литературе по дробно интегрированный моделям обычно пишут long memory, а во введении "Херст, фракталы, толстые хвосты".