Elliot Dalga Teorisine dayalı ticaret stratejisi - sayfa 61
Alım-satım fırsatlarını kaçırıyorsunuz:
- Ücretsiz alım-satım uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Kitapta önerilen yaklaşımı uygulamak için kitapta anlatıldığı gibi TAM OLARAK AYNISINI yapmanız gerekmektedir. Kitap YALNIZCA Brownian hareketi için ayrıntılı bir örnek veriyor! Yani, Brownian hareketinin bir "kollarının" örneğinin farklı Hurst katsayılarında görsel olarak nasıl görünmesi gerektiği gösterilmiştir. Rastgele bir sayı üreteci alırsanız ve daha sonra meydana gelme olasılığını ayarlayarak beyaz gürültüde birbirine bağlı işlemler oluşturursanız, kitaptakiyle yaklaşık olarak aynı resimleri elde edersiniz. Yani, önce bir şeyin gerçek fiziksel hareketini elde edeceğiniz (bu durumda, Brownian gürültü osilogramı) fraktal gözlem gürültüsü ("kolların" seçimi) alacaksınız. Fiziksel hareketin genliğinden, Hurst katsayısına (birbirine bağlı işlemlerin olasılığı) ne kadar sahipseniz, fiziksel hareketin genliğinin o kadar büyük olduğunu göreceksiniz. Kitapta verilen örnekten nihai olarak ne anlayabiliriz? Sadece daha önce söylediğim şeyi anlayabiliriz: "Hurst katsayısı (birbirine bağlı işlemlerin olasılığı) ne kadar fazlaysa, fiziksel hareketin kendisinin genliğinin genliğinin genliği o kadar büyük olur." O zaman cevap verin lütfen, BU bilgi prognoz açısından bize tam olarak ne veriyor? Tam olarak cevap verebilirim - HİÇBİR ŞEY, 2 kez yazdıklarım dışında (sadece işlemlerin karşılıklı bağımlılık derecesini belirleyeceğiz)! Kitabın devamında yazarlar tarafından neler yapılıyor? Önerilen hesaplamayı (Brownian hareket analizi) farklı sermaye piyasalarına uygularlar. Tüm piyasalarda (veya hemen hemen hepsinde) Hurst üssü 0,5'ten fazladır, özellikle EURUSD için yanılmıyorsam 0,64'tür. Sırada ne var? VE HİÇBİR ŞEY! Bunun dışında, piyasalardaki işlemlerin çoğunlukla birbirine bağımlı olduğunu biliyoruz. Ancak, fiyatın dün nereye hareket ettiğine bağlı olarak, insanların trendi takip etme olasılığının ona karşı olmaktan daha fazla olduğunu her zaman bildiğimizi varsayalım. Bu nedenle piyasalarda bir önceki harekete bağlı olarak net trend dönemleri yaşanıyor. Bu herkes için açıktır. Ve Vladislav, lineer regresyon kanallarını tahmin etmek için bu yaklaşımı uygulamaya çalıştı. Yani, “Çok yakın bir gelecekte kanala ne olacak - devam edecek mi yoksa varlığını sonlandıracak mı?” "
Vurgulanan "TAM AYNI" yanıldığım anlamına mı geliyor? Belki, ama çok uğraşmış gibi görünüyordu ve her şeyi kitabına göre yaptı. Ve göstergeyi hesaplamak için genel bir yaklaşımı ana hatlarıyla belirtir ve örnek olarak, Brownian hareketi ve Wolf serisinin 19. döngüsü için sonuç verilir (dürüst olmak gerekirse, ne olduğunu bilmiyorum).
Algoritmamı rastgele bir sayı ile kontrol ettim ve görünüşte neredeyse doğru bir sonuç aldım (log (N)'den bir log (R / S) grafiği ekledim).
Vladislav'ın algoritmalarında ve sizinkilerde, sonunda, bir kitapta olduğu gibi, H = log (R / S) / log (0,5 * N) formülüne göre göstergenin kendisinin yaklaşık bir tahmini yapılır. Ve zaten yazdığım gibi, daha doğru bir algoritma uygulamaya karar verdim.
Ayrıntılı açıklamalar için teşekkürler, Vladislav'ın yaklaşımının bazı ayrıntılarını belli belirsiz anladım. Şimdi temizleniyor gibi görünüyor. Sonuçta, özellikle harika çalıştıkları için hesaplamalarınızdan ve Vladislav'dan hiçbir şekilde şüphe duymuyorum.
:hakkında)))))
Hayır, yanılmıyorsun! "TAM AYNI" kelimesiyle, kitapta kullanılan yaklaşımın yalnızca geliştirildiği ve zaten birkaç kez tekrarladığım sorunu çözmek için uygun olduğunu kastettim - "bazı süreçlerde işlemlerin (gelgitlerin) birbirine bağımlılığını değerlendirmek Brownian'a benzer. Ama kitapta verildiği şekliyle "çok yakın bir gelecekte kanal boyunca hareket tahmini" sorunumuzu çözmek için kullanmak kesinlikle mümkün DEĞİLDİR! Böylece Vladislav, ortalama seviye olarak mevcut çubuğu içermeyen bir örnek üzerine inşa edilmiş doğrusal regresyon kanalının tahmini değerini göz önünde bulundurarak, bir "gelgit" örneği elde etme açısından sorunumuzu çözmek için değiştirdi. Önerdiği revizyonun anlamı hakkında daha derinlemesine düşünürseniz, bu en azından bir doktora derecesi alır. Vladislav, ihtiyacın olursa bir düşün!
Hayır, yanılmıyorsun! "TAM AYNI" kelimesiyle, kitapta kullanılan yaklaşımın yalnızca geliştirildiği ve zaten birkaç kez tekrarladığım sorunu çözmek için uygun olduğunu kastettim - "bazı süreçlerde işlemlerin (gelgitlerin) birbirine bağımlılığını değerlendirmek Brownian'a benzer. Ama kitapta verildiği şekliyle "çok yakın bir gelecekte kanal boyunca hareket tahmini" sorunumuzu çözmek için kullanmak kesinlikle mümkün DEĞİLDİR! Böylece Vladislav, ortalama seviye olarak mevcut çubuğu içermeyen bir örnek üzerine inşa edilmiş doğrusal regresyon kanalının tahmini değerini göz önünde bulundurarak, bir "gelgit" örneği elde etme açısından sorunumuzu çözmek için değiştirdi.
Evet, ancak kitapta verilen algoritma, "giriş" içeriği için herhangi bir özel gereksinim ortaya koymamaktadır. En azından - orada böyle bir şey bulamadım ve tartıştığımız konulardan biri nasıl akını olacağıydı. Sizden değerli tavsiyeler aldım. Teşekkür ederim.
Hesaplanan ortalama Hurst değil, iki koordinat Y=Log(R/S) ve X=Log(N). Ve bununla ne yapılacağı da açık görünüyor.
Şuna benzeyen bir Y=Y(X) denklemi vardır: Log(R/S) = H*Log(N) + A. Doğrusal bir regresyon oluşturmanız ve onun katsayısını ve kesişimini belirlemeniz gerekir. Hurst onun katsayısıdır.
Ve sadece logaritmaların oranı Hurst değildir.
Benim nacizane fikrime göre
Hayır, bu örnekler üzerinden ortalama Hurst :)
Вычисляется не средний Херст, а две координаты Y=Log(R/S) и X=Log(N). И что с этим делать, тоже вроде бы ясно.
Есть уравнение Y=Y(X), которое выглядит так: Log(R/S) = H*Log(N) + A. Нужно построить линейную регрессию и определить ее коэффициент и свободный член. Херст - это ее коэффициент.
А просто отношение логарифмов - это совсем не Херст.
ИМХО
Hayır, bu örnekler üzerinden ortalama Hurst :)
Bu algoritmayı bugün Fraktal Analiz kitabında okudum. Daha sonra diğer formüllere göre farklı bir algoritmaya göre uyguladım. 1'den N'ye gidiyorum ve her akım için log(R/S) ve log(N) sayıyorum. Sonra yaklaşık bir y(x)=ax+b çizgisi oluşturuyorum. a katsayısı Hurst üssüdür . Belki burada temel bir hata vardır.
:hakkında)
Not: Böyle saymak gerçekten imkansız mı?
Hurst üssünün hesaplanmasıyla ilgili ek materyalleri okuduktan sonra Feder'in araştırmasıyla karşılaştım. Deneysel yasanın - H=Log(R/S)/Log(0.5*N) oldukça kötü çalıştığını ve yalnızca küçük örnekler için nispeten doğru veriler verdiğini savundu (bu örneklerin boyutu hakkında hiçbir şey söylenmedi). Bu nedenle, Hurst üssünün hesaplamasını kesinlikle metodolojik materyallere göre uygulamaya karar verdim (görünüşe göre Bay Feder'in uyardığından bile daha kötü çıktı).
Kodun performans açısından en uygun olmayabileceğini anlıyorum (birçok işlev çağrısı ve tüm bunlar), ancak asıl şey farklı - hesaplama mantığını doğru bir şekilde temsil edip etmediğimi kendime açıklığa kavuşturmak istiyorum, çünkü aldığım sonuçlar şüpheli geldi ve bilenlere yönelmeye karar verdim.
...
Not: Umarım forum üyeleri bunu çözmeme yardımcı olur. Vladislav bana biraz zaman verir ve bu kadar basit bir teknikle nerede yanıldığımı açıklarsa çok minnettar olurum.
Sıfır noktasında bin koordinat ızgarasında 1000 rastgele Brown parçacığı alıyoruz. Bu noktalarda rastgele kuvvetler rastgele bir yönde bombalamaya başlar. Burada Hurst ayrıca zaman içinde parçacık ve koordinatların orijini (vektörün uzunluğu) arasındaki mesafenin zamanın kareköküyle orantılı olacağını iddia eder. Neden 1000 sohbet? İyi bir ortalama için. Bu problemin programlanması ve test edilmesi kolaydır.
Sıfır noktasında bin koordinat ızgarasında 1000 rastgele Brown parçacığı alıyoruz. Bu noktalarda rastgele kuvvetler rastgele bir yönde bombalamaya başlar. Burada Hurst ayrıca zaman içinde parçacık ve koordinatların orijini (vektörün uzunluğu) arasındaki mesafenin zamanın kareköküyle orantılı olacağını iddia eder. Neden 1000 sohbet? İyi bir ortalama için. Bu problemin programlanması ve test edilmesi kolaydır.
Ona inanıyorum. Ancak Feder, kesin bir değere ihtiyaç varsa, o zaman daha kesin hesaplamanın gerekli olduğunu savundu. İşte uygulamaya çalıştığım şey. Ve bugün, Bay Peters'in genellikle onu yanlış gördüğünü öğrendim.
Yeterli olacak - sadece bir sayı sütunu, sonra her şeyi kendim yapacağım.