Elliot Dalga Teorisine dayalı ticaret stratejisi - sayfa 227
![MQL5 - MetaTrader 5 müşteri terminalinde yerleşik ticaret stratejileri dili](https://c.mql5.com/i/registerlandings/logo-2.png)
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret 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
MARKOV SÜRECİ ile ilgili değil, sadece Markov zincirleri hakkında yapabilirsiniz.
Zincirler hakkında bile mümkündür.
Bu oldukça uzun bir süre ve nasıl güzel konuşacağımı bilmiyorum. Markov zincirleri, zincirleri ve bu zincirlerin tanımladığı süreçler hakkında, editörlüğünü Maksimov'un yaptığı "Probabilistic Sections of Mathematics", Gnedenko'nun "Course of Probability Theory" adlı kitabında okudum. Kendi adıma bu yönde guru olduğumu söyleyemem. Bunun yerine kendime her şeyi anlayan ama hiçbir şey söyleyemeyen bir köpeği hatırlatıyorum. :hakkında)
Bir ev hanımı düzeyindeki hikaye "nedir" de ondan pek hoşlanmıyorum. Örneğin, Wikipedia'dan tanımı alalım (tamamen ev kadınları için: o):
Ma's zinciri (CM), sabit bir şimdi ile geleceğin geçmişten bağımsız olması özelliği ile karakterize edilen, sonlu veya sayılabilir sonsuz sayıda sonucu olan bir rastgele olaylar dizisidir. A. A. Markov'un (kıdemli) adını almıştır.
Her şey doğru görünüyor, ancak daha kesin bir ifade biraz farklı:
s+1 denemelerinde (s=1,2,3,,,) A(i)[s+1] i=1,2,…k olayının gerçekleşmesinin koşullu olasılığı varsa, bir deneme dizisi bir CM oluşturur. yalnızca s. denemede hangi olayın meydana geldiğine bağlıdır ve önceki denemelerde hangi olayların meydana geldiğine ilişkin ek bilgilerden değişmez.
Görünüşe göre, bu nedenle, bu tür zincirlerle tanımlanabilen işlemlere kısa hafızalı işlemler denir. Sistemin durumu kavramına dayalı olarak başka bir tanım da yapılmıştır.
Yuri, bana acı. Tanımları ve sonuçları yeniden yazmak istemiyorum. CM, bu benim icadım değil ve henüz tüm bunları kendi kelimelerimle anlatacak uygun beceriksizlik düzeyine ulaşmış değilim. O zaman Markov zincirlerini tanımayabilirsiniz :o)
Yetkili kaynaklarda okuduğunuzda (hikâyemin aksine), “uygulamalarım” faydalı olabilir:
(1) Belirli fiyat değerleri veya fiyatlar arasındaki fark değil, sistemin durumu olarak kanalı seçtim
(2) Geçiş olasılıkları matrisini derlemek için kanalın bazı özelliklerinin olasılıklarını aldım.
(3) Matris için bir adım olarak kanal değişikliği yaptım
(4) Süreç olarak doğum ve ölüm sürecini “sezgisel olarak seçtim” çünkü görevlerimiz için sıraya koyma sürecini gerçekten kullanamayız.
Eh, uygulamanın sonuçlarını zaten gösterdim. :hakkında)
X[j]=Y[j]-Y[jk], burada k - deneyin amacına bağlı olarak 1'den n'ye kadar değerler alabilir.
1. dereceden otoregresif model AR(1) (Markov süreci).
Bu model, türün otoregresif sürecinin en basit versiyonudur.
X[j]=SUM{a[k]*X[jk]}+sigma[j], burada toplama tüm k=1...sonsuz üzerindedir,
birincisi dışındaki tüm katsayılar sıfıra eşit olduğunda. Buna göre, ifade ile tanımlanabilir.
X[j]=a*X[j-1]+sigma[j], (1)
nerede bir  mutlak değerde (|a| < 1) birden fazla olmayan bazı sayısal katsayılar ve beyaz gürültü oluşturan rastgele değişkenler dizisi olan sigma[j]. Bu durumda X[j], sigma[j] ve önceki tüm sigmalara bağlıdır, ancak sigmanın gelecekteki değerlerine bağlı değildir. Buna göre sigma[j] denkleminde X[j-1] ve X'in önceki değerlerine bağlı değildir. Bu bakımdan sigma[j] inovasyon (güncelleme) olarak adlandırılır.
Diziler X tatmin edici ilişki (1) de genellikle Markov süreçleri olarak adlandırılır. Demek oluyor
1. M sürecinin beklentisi aynı şekilde sıfır M=0'a eşittir.
2. Serinin k-adımlarıyla ayrılmış üyeleri arasındaki otokorelasyon katsayısı r , r=a^k'ye eşittir.
1. dereceden otoregresif sürecin temel özellikleri aşağıdaki gibidir.
Seriler için durağanlık koşulu, a katsayısının gerekliliği ile belirlenir:
|a|<1
Markov sürecinin otokorelasyon fonksiyonu şu bağıntı ile belirlenir:
r(t)=a^t ,
onlar. a değeri, X[j] serisinin iki komşu üyesi arasındaki korelasyonun değerini belirler. (1) dizisinin üyeleri zaman içinde birbirlerinden uzaklaştıkça aralarındaki korelasyonun yakınlık derecesinin katlanarak azaldığı görülmektedir.
Markov sürecinin (1) spektral yoğunluğu , otokorelasyon fonksiyonunun bilinen formu dikkate alınarak hesaplanabilir:
p(w)=2sigma0^2/(2+a^2-2a*cos(2Pi*w))
Eğer a parametresi 1'e yakın ise X[j] serisinin komşu değerleri büyüklük olarak birbirine yakındır, otokorelasyon fonksiyonu pozitif kalırken üstel olarak azalır ve spektruma düşük frekanslar hakimdir, yani a X[j] serisinin tepe noktaları arasındaki oldukça büyük ortalama mesafe. a parametresinin değeri -1'e yakın olduğunda, seri hızla salınır (spektrumda yüksek frekanslar baskındır) ve otokorelasyon fonksiyonunun grafiği, işarette alternatif bir değişiklikle üssel olarak sıfıra düşer.
Model tanımlamasından sonra, yani. parametrelerini tanımlama (bu durumda, bir )
bir adım önde bir tahmin oluşturabilirsiniz:
Y[j+1]=Y[j]+a*X[j] .
Her şey.
Yura, şimdi senden bir ricam var. Mathcad'de Şekil 2'de gösterilen algoritmayı uygulayın. aşağıda ve bir yıl için EURUSD dakikaları için TF'den alınan FAK'ı gösterin.
Yetkili kaynaklarda okuduğunuzda (benim hikayemin aksine) “uygulamalarım” faydalı olabilir:
(1) Belirli fiyat değerleri veya fiyatlar arasındaki fark değil, sistemin durumu olarak kanalı seçtim
(2) Geçiş olasılıkları matrisini derlemek için kanalın bazı özelliklerinin olasılıklarını aldım.
(3) Matris için bir adım olarak kanal değişikliği yaptım
(4) Süreç olarak doğum ve ölüm sürecini “sezgisel olarak seçtim” çünkü görevlerimiz için sıraya koyma sürecini gerçekten kullanamayız.
Eh, uygulamanın sonuçlarını zaten gösterdim. :hakkında)
grasn, 2. madde hariç burada her şey açık. Belki basit bir banal şey düşünülür, belki de teknik bilgi.
4. noktaya göre (bu soruyla zaten solandr'ı rahatsız ettim) - "doğum ve ölüm süreci", 3. maddenin istatistiksel işlenmesiyle mi yoksa bazı genel teorik düşüncelerle mi belirlendi?
Peki, belki aramızda kalsın ev hanımları, ne olduğunu söyler misiniz?
MARKOV SÜRECİ ile ilgili değil, sadece Markov zincirleri hakkında yapabilirsiniz.
Zincirler hakkında bile mümkündür.
Bir örnekle en kolayı.
En basit Markov süreci sıradan bir madeni paradır.
Madalyonun hangi taraftan düşeceği önceki duruma bağlıdır.
Madeni para gibi bir işlemin Markov özelliğine sahip olduğu söylenir,
yani geçmişi "hatırlamıyor". Yazı tura serisi çağrılacak
Markov zinciri. Daha doğrusu, atışların kendileri değil, olasılıklar.
Daha karmaşık Markov süreçleri var, genel olarak çok farklı olanlar var, bunlar
Markov süreçleri. Önceki durumu "hatırlayanlar" var, ama
"bir öncekini" hatırlamazlar, vs...
Genel olarak, söylemesi oldukça basitse.
Orada matematik, yer yer oldukça kafa karıştırıcı ve açık değil ve formüller çok büyük.
Ну может между нами, домохозяйками, раскажете мне что это такое ?
Необязательно про МАРКОВСКИЙ ПРОЦЕСС, можно просто про марковские цепи.
Можно даже про цепочки.
Bir örnekle en kolayı.
En basit Markov süreci sıradan bir madeni paradır.
Madalyonun hangi taraftan düşeceği önceki duruma bağlıdır.
Madeni para gibi bir işlemin Markov özelliğine sahip olduğu söylenir,
yani geçmişi "hatırlamıyor".
Bir önceki gönderiden Markov sürecinin tanımını hatırladığım kadarıyla (A(i)[s+1] yalnızca A[s]'ya bağlıdır), yazı tura bir Markov süreci olamaz, çünkü tura gelme olasılığı her atış, önceki testlerden herhangi birine bağlı değildir.
Görevimiz, orijinal zamandan rastgele olmayan bileşeninin (varsa) ortadan kaldırılmasından sonra elde edilen, incelenen Y[j] zaman serisinin "rastgele" artıklarının X[j] davranışını tanımlamak için uygun bir model seçmektir. seri.
Sergey, sabrını umuyorum. Bana açıklayın (bir şeyi kaçırmış olabilirim), neden rastgele kalıntıları tanımlamak için bir modele ihtiyacımız var ve “eliminasyon” nedir. Ve bana öyle geliyor ki, rastgele artıkların "seçimi" doğası gereği rastgele. Sarılmış. :hakkında)
Rosh'a
2. nokta hariç her şey açık. Belki basit bir banal şey düşünülür, belki de teknik bilgi.
Burada her şey oldukça basit. Tahmin için bir şekilde sistemin durumunu belirlemek gerekiyordu. Uzun zamandır oldukça anlaşılır parametrelerle uğraşıyordum: hız, kanal uzunluğu, LR hattının eğim açısı. Ancak deney sırasında bazı kanal parametrelerinin daha iyi sonuçlar verdiğini fark ettim.
Ve bu özelliklere aşağıdakilerden geldi:
4. noktaya göre (bu soruyla zaten solandr'ı rahatsız ettim) - "doğum ve ölüm süreci", 3. maddenin istatistiksel işlenmesiyle mi yoksa bazı genel teorik düşüncelerle mi belirlendi?
Tamam, dürüst olacağım. Bu ilk düşünceydi. Geçmişi alın, kanalları bulun, istatistikleri hesaplayın. Bu yaklaşım sonunda terk edildi. Daha önce yazdığım gibi, yöntemime evrimsel fraktal dalga analizi adını verdim (peki, onu aradım ve aradım, hoşuma gitti). KOBİ'lerin "kanalları altında" elden geçirilmiş "evrimsel" temeline dayanmaktadır. Bu yüzden kanalların bazı özelliklerinin dinamiklerini araştırdım. Kanal benim tarafımdan belirlenir her zamanki gibi değil. İşte bu yazıda "18/01/07 16:11 grasn" okumaları arasındaki bağlantının gücünü gösteren bir resim var. Kanal, mevcut sayıdan bu ilişkinin en düşük değerine kadardır. Zayıf bir sayı bulur bulmaz, bu, kanalın kökenini bulduğu anlamına gelir. "İmleci" bu yere taşıyorum ve Kuzey Rüzgarı'nın dediği gibi sürecin kalitesini kontrol etmeye başlıyorum.
Kanalın içindeki bazı özelliklerin dinamiği, kanalın doğum ve ölüm sürecidir (en azından benim için öyle).
Şimdi Neutron 'y, grasn ' y ve Kuzey Rüzgarı sayesinde bunun nasıl yapıldığı net bir şekilde gösteriliyor.
Artık yaşıma göre okul çocuğu olmamam gerekmesine rağmen, aklı ve dersi öğretme arzusu için çok minnettarım, Sergey, kesinlikle yerine getireceğim.
Söz veriyorum ve ciddiyetle yemin ediyorum. :-)
Bir önceki gönderiden Markov sürecinin tanımını hatırladığım kadarıyla (A(i)[s+1] yalnızca A[s]'ya bağlıdır), yazı tura bir Markov süreci olamaz, çünkü tura gelme olasılığı her atış daha önceki testlere bağlı değildir.
Bu noktayı daha ayrıntılı olarak tartışmak isterdim, ama ne yazık ki şimdi kesinlikle
zaman yok. Sadece şunu söylememe izin verin, Bayan Wentzel E.S. ders kitabında yazıyor
Aynı şey, madeni para bir Markov sürecidir, hatta orada kanıtlar bile vardır.
Bu arada, bir Markov süreci var (sonuçsuz bir süreç) - eğer her an için
zaman, gelecekte sistemin herhangi bir durumunun olasılığı yalnızca duruma bağlıdır.
şu anda sistem ve sistemin nasıl geldiğine bağlı değil
bu devlet.
Насколько я помню определение марковского процесса из предыдущего поста (A(i)[s+1] зависит только от A[s]) , подкидывание монетки не может являться марковским процессом, так как вероятность выпадения орла при каждом подбрасывании не зависит ни от одного предыдущего испытания.
Bu noktayı daha ayrıntılı olarak tartışmak isterdim, ama ne yazık ki şimdi kesinlikle
zaman yok. Sadece şunu söylememe izin verin, Bayan Wentzel E.S. ders kitabında yazıyor
Aynı şey, madeni para bir Markov sürecidir, hatta orada kanıtlar bile vardır.
Bu arada, bir Markov süreci var (sonuçsuz bir süreç) - eğer her an için
zaman, gelecekte sistemin herhangi bir durumunun olasılığı yalnızca duruma bağlıdır.
şu anda sistem ve sistemin nasıl geldiğine bağlı değil
bu devlet.
Evet, kadınların olduğu yerde her zaman bir kafa karışıklığı vardır. Şaka. :o) Maksimov'un düzenlediği bir ders kitabından basit bir örnek olsun: Bir oyuncu, partilerden oluşan bir tür oyun oynuyor. Önceki oyun kazanılırsa bir sonraki oyunu kazanma olasılığı p, önceki oyun kaybedilirse p1'dir. Durum E1 - sonraki oyun kazanılır, E2 - oyun kaybedilir.
E1 ve E2 durumları arasında geçiş, geçiş olasılıkları matrisi ile tanımlanır:
|(p)(1-p)|
|(p1)(1-p1)|
"Erkekler ağlamaz, üzülür" (c) :)