![MQL5 - Язык торговых стратегий для клиентского терминала MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Ну и ..... ? Ну и чё? Спектральная плотность мощности трейдерам НАФИГ не нужна, поскольку не даёт возможности прогнозировать (синтезировать) ФОРМУ сигнала на будущее.
Не обязательно - достаточно прогноза разворота для трендовой торговли
Это лишь Ваше *предположение* из области мифов. Вы даже не сможете показать КАК Вы это (прогноз разворота) сделаете, имея лишь спектральную плотность мощности.
Как известно, стационарные ВР прогнозируемы, если они не являются белым шумом.
Посему возникает насущный спрос на преобразования нестационарных ценовых ВР в стационарные, но с возможностью обратного преобразования.
Самый примитивный вариант. Аппроксимируем ценовой ВР. Экстраполируем. Разница между экстраполируемым ВР и реальным ВР - тоже ВР, но уже стационарный. Назовем этот самый новый ВР синтетическим.
Экстраполируем синтетический ВР. Суммируем с экстраполяцией ценового ВР. Если синтетический ВР не является белым шумом, то на выходе получаем прогноз - результат суммирования двух экстраполяций.
Мне было лень читать все посты здесь. Поэтому задам вопрос, который может уже задали до меня. А какой критерий аппроксимации? Минимальная средне-квадратичная ошибка на тестируемом интервале? А как выбираем длину модели?
Чтобы понять куда я веду своими вопросами, возьмите АР модель для примера. Для её подгонки, разбиваем прошлые данные на обучающие выборки, т.е. входы и выходы. Подгоняем модель под эти данные либо линейной регрессией, либо методом Бурга, либо другим методом линейного предсказания. Вы предлагаете после подгонки этой АР модели вычислить ошибки предсказаний на прошлых данных (т.е. те же ошибки, который мы пыталиь уменьшить во время подгонки) и подогнать другую АР модель под ряд ошибок и так далее. Смысла в этом мало так как длина АР модели должна выбираться таким образом чтобы ошибка аппроксимации имела свойства белого шума. В противном случае, у вас короткая модель и её ошибки ведут себя не как белый шум, а что-то предсказуемое. Но вписывать вторую модель под ряд ошибок, и потом третью и т.д. имеет тот же результат как увеличение порядка (длины) первой АР модели.
Правильнее строить первую модель по шагам, увеличивая длину модели пока ошибка аппроксимации не станет вести себя как шум. Много об этом написано в книгах и статьях.
Мне было лень читать все посты здесь. Поэтому задам вопрос, который может уже задали до меня. А какой критерий аппроксимации? Минимальная средне-квадратичная ошибка на тестируемом интервале? А как выбираем длину модели?
Чтобы понять куда я веду своими вопросами, возьмите АР модель для примера. Для её подгонки, разбиваем прошлые данные на обучающие выборки, т.е. входы и выходы. Подгоняем модель под эти данные либо линейной регрессией, либо методом Бурга, либо другим методом линейного предсказания. Вы предлагаете после подгонки этой АР модели вычислить ошибки предсказаний на прошлых данных (т.е. те же ошибки, который мы пыталиь уменьшить во время подгонки) и подогнать другую АР модель под ряд ошибок и так далее. Смысла в этом мало так как длина АР модели должна выбираться таким образом чтобы ошибка аппроксимации имела свойства белого шума. В противном случае, у вас короткая модель и её ошибки ведут себя не как белый шум, а что-то предсказуемое. Но вписывать вторую модель под ряд ошибок, и потом третью и т.д. имеет тот же результат как увеличение порядка (длины) первой АР модели.
Правильнее строить первую модель по шагам, увеличивая длину модели пока ошибка аппроксимации не станет вести себя как шум. Много об этом написано в книгах и статьях.
Вотъ iманно!
Ой, ну что Вы, коллега!? Тут даже слов таких умных (какими Вы пишете: "критерий", "аппроксимация") никто не знает, а знают ровным счётом человека 3-4. Да и то они ужЕ явно задолбались всем разжёвывать прописные истины, потому и молчат.
Преобразование нестационарного ряда в стационарный - это некое упражнение, не имеющего никакого отношения к прибыли.
Ничего подобного. То что обсуждается, в самом широком смысле, - это получение из нестационарного ряда цен, стационарного ряда прибыли.
С подачи grasn (за что ему спасибо) стал развивать следующую идею.
3. Прогнозируем ЗЗ на 2 шага - завершение текущей волны и следующую. Наверно можно использовать хитрую регрессионную модель, пока ограничиваюсь обычной статистикой.Вот этот пунктик самый важный, потому что оперирует самыми большими амплитудами. Можно поподробнее? ;-) Явно имеется в виду не обычня статистика, т.е. не просто средние размеры шага ЗЗ и даже не распределение размера след. шага от предыдущего.
Ничего подобного. То что обсуждается, в самом широком смысле, - это получение из нестационарного ряда цен, стационарного ряда прибыли.
Не догоняю. ТС дает прибыль, а о ТС я не видел ни слова
Не догоняю. ТС дает прибыль, а о ТС я не видел ни слова
прибыль=f(ряд цен)
Вот этот пунктик самый важный, потому что оперирует самыми большими амплитудами. Можно поподробнее? ;-) Явно имеется в виду не обычня статистика, т.е. не просто средние размеры шага ЗЗ и даже не распределение размера след. шага от предыдущего.
Увы, пока - распределение. Планирую классифицировать распределения по ошибке прогноза, возможно там будут закономерности.
Нет.
1. Сначала аппроксимируем ценовой ряд. Получаем формулу приближения ценового ВР: price_appr(time)
2. Экстраполируем price_appr(time + i)
3. Получаем синтетику delta(time + i) = Open[time + i] - price_appr(time + i)
4. Проверяем delta(x) на предмет белого шума. Если шумит, то обломись бабулька. Если не шумит, то продолжаем.
5. Аппроксимируем синтетику и получаем формулу: delta_appr(time)
6. Прогноз: forecast(time + i + j) = price_appr(time + i + j) + delta_appr(time + i + j)
где: i и j - это OOS от предыдущих шагов. time, i и j - непересекающиеся временные множества
Предложение интересное.
Хотя и не совсем понятна методика прогноза. Что собственно прогнозируется?
Но сперва надо решить совсем другую задачу.
Как проверить белый шум или нет?
прибыль=f(ряд цен)
Преобразований Вр в нечто более приличное полно - все (или почти) индикаторы, но прибыли не видно. Всегда, когда разрабатывается индикатор, то изначальна идея, а потом реализация. Здесь говорят "хорошо если ВР будет стационарный вместно нестационарного". Что хорошего? Разработка всех индикаторов направлена на то, чтобы они отображали какую-нибудь характеристику исходного ВР. Здесь вообще такая задача не ставится, ставится задача стат.характристики результата, а что этот результат будет отображать из исходного ВР неизвестно.
Кстати, здесь на форуме видел графики на которых показано, что длина свечей зависит от времени суток.