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
)))
А у меня впечатление что кому то просто нечем заняться и начинают умничать, хотя мнение такое - не пойдеть) ... и как видно выше - не только моё
Надо пользоваться методом, в котором плотность распределения ошибок не важна. Непараметрические методы.
Мы вообще не знаем распределения ошибок для форекса. Формально - и строго - ошибки это отличия моделируемых значений от модельных значений, полученных на ген.совокупности, т.е. чисто теоретические значения. Residuals получаются на отличии моделируемых значений от модельных на имеющейся выборке, но и они тоже вряд ли будут нормальными, так как фин.временные ряды (их returns, точнее) не нормальны (!) и толстодлиннохвосты и островершинны, а смоделировать такую толстодлиннохвостость очень сложно.
Даже заморочился и вывел для часовых приращений исходное распределение (бирюзовое =)) и нормальное с теми же параметрами mean & sd. Как видно, это далеко не нормальность. И тест на нормальность далеко не проходит.
А методы, которые полагаются на нормальность ошибок - это классические, из 20 века, методы, типа линейной регрессии, дисперсионного анализа. Но можно и без них.
Читайте вики )
Если вы проводили исследования на флете, как и авторы стратегии по биткоину, то вам конечно видней как отличия реальной кривой от идеальной влияют на результат.
Распределение Гаусса - самое распространенное в природе и широко применяемое в науке ( от социологии до ядерной физики) почему-то многими в сообществе MQL воспринимается в штыки, в плане применимости к рынку.
Я не математик, но когда смотрю на распределение количества баров или тиковых объёмов по ценовым уровням , мне картинка напоминает колокол. Особенно на флетах. Например. Вся история EURUSD похожа на глобальный флет.
Если вы проводили исследования на флете, как и авторы стратегии по биткоину, то вам конечно видней как отличия реальной кривой от идеальной влияют на результат.
Распределение Гаусса - самое распространенное в природе и широко применяемое в науке ( от социологии до ядерной физики) почему-то многими в сообществе MQL воспринимается в штыки, в плане применимости к рынку.
Я не математик, но когда смотрю на распределение количества баров или тиковых объёмов по ценовым уровням , мне картинка напоминает колокол. Особенно на флетах. Например. Вся история EURUSD похожа на глобальный флет.
Меряется плотность на приращениях цен, а не самих цен.
О! Вот это интересно. Можно формулу?
Коллега, это же основы!
Можно взять разные формулы, например, самые популярные:
Pr - price
t - time
1) Pr(t) - Pr(t-1)
2) Pr(t) / Pr(t - 1) - 1
3) log(Pr(t)) - log(Pr(t-1))
Поэтому когда экономисты говорят, что мы померяли, например, дисперсию такого-то инструмента, они делают следующее: variance = sum((Xi - X^)^2) / (N - 1),
где Xi - это приращение, посчитанное по одной из формул,
X^ - это икс с кепочкой - выборочная оценка среднего значения приращений на доступной выборке
N - 1 - это размер выборки минус один,
а вся формула - несмещенная оценка дисперсии.
А потом эти экономисты начинают думать, что плотность приращений нормальна и пытаются, например, проделать такую вещь как: sqrt(variance) * sqrt(m) * 1,96,
где корень из дисперсии - это оценка стандартного отклоения, а вся формула, это натягивание на не(!)нормальный ряд следствия нормальности для получения оценки крайней границы разброса цены через m шагов вперед с вероятностью 95%. И получаются ошибки, ессно.
Надеюсь, примерно объяснил. А исходный ценовой ряд он даже в первом приближении не похож на нормальный, в отличие от приращений.
Коллега, это же основы!
Можно взять разные формулы, например, самые популярные:
Pr - price
t - time
1) Pr(t) - Pr(t-1)
2) Pr(t) / Pr(t - 1) - 1
3) log(Pr(t)) - log(Pr(t-1))
Поэтому когда экономисты говорят, что мы померяли, например, дисперсию такого-то инструмента, они делают следующее: variance = (Xi - X^)^2 / (N - 1),
где Xi - это приращение, посчитанное по одной из формул,
X^ - это икс с кепочкой - выборочная оценка среднего значения приращений на доступной выборке
N - 1 - это размер выборки минус один,
а вся формула - несмещенная оценка дисперсии.
А потом эти экономисты начинают думать, что плотность приращений нормальна и пытаются, например, проделать такую вещь как: sqrt(variance) * sqrt(m) * 1,96,
где корень из дисперсии - это оценка стандартного отклоения, а вся формула, это натягивание на не(!)нормальный ряд следствия нормальности для получения оценки крайней границы разброса цены через m шагов вперед с вероятностью 95%. И получаются ошибки, ессно.
Надеюсь, примерно объяснил. А исходный ценовой ряд он даже в первом приближении не похож на нормальный, в отличие от приращений.
Формулы посмотрел. Да, клеится сюда такой подход. Спасибо!
Хочу почитать основы. Може какой учебник с вышеизложенной тематикой есть?
Формулы посмотрел. Да, клеится сюда такой подход. Спасибо!
Хочу почитать основы. Може какой учебник с вышеизложенной тематикой есть?
Тут хорошо на слух основы излагает человек
Формулы посмотрел. Да, клеится сюда такой подход. Спасибо!
Хочу почитать основы. Може какой учебник с вышеизложенной тематикой есть?
Честно, сам не читал прямо учебников. В основном, нахватываюсь в процессе анализа.
Главное в этом деле, не воспринимать на веру слова ученых мужей. Я же говорю, до сих пор аналитики акций принимают их за нормальный процесс просто потому что это удобно.
Я бы порекомендовал книгу по анализу временных рядов. Но там тоже будут куча Arima, Garch, Unit Root штучек, которые могут и вовсе быть не применимы к форексу.
variance = sum((Xi - X^)^2) / (N - 1),