FR H-uçuculuk - sayfa 2
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
mümkünse, bu kavramlar hakkında biraz daha. Ne yazık ki, terminolojiyi bilmiyorum. Ne tür bir VR'yi analiz ettiğinizi anlamayı çok isterim. nasıl oluyor? grafiğinizde ne olduğunu anlamak için.
En yaygın Zig-Zag'dan bahsediyoruz. Zig-Zag kırılmalarının ortalama yüksekliğinin oluşum adımıyla nasıl ilişkili olduğunu anlamaya çalışıyoruz. Grafik, H=10 puanlık bir adım için tüm yükseklik çeşitlerini ve bunların karşılaşma sıklığını gösterir.
Ancak bu arada, Wiener süreci için arbitraj kriteri olarak kullanılabilecek başka bir ilişki daha var. Gauss dağılımı için ortalama ve sco değerleri açıkça hesaplandığından, sco/ortalama = kök(pi/2) elde ederiz. Ve bu aynı zamanda bölümün herhangi bir H parametresi için de geçerlidir. Örneğin, resminizdeki dağılım için gerçekte neye sahip olduğumuzu kontrol etmek ilginçtir.
Simetrik RF'ler için aşağıdakiler doğrudur: hız=SQRT(Toplam[(Mx)^2]/[n-1]), ortalama=Toplam[(Mx)]/n), ardından hız/ortalama != kök(pi /2).
Ne demek istediğini açıkla?
Anladığım kadarıyla, formüllerinizde M sadece ortalamadır, yani. 1. merkezi moment ve n, x elemanlarının sayısıdır. Ve bunlar, n element üzerinden, yani numune üzerinden hız ve ortalamayı belirlemek için formüllerdir. Ve normal olarak dağıtılan {x} dizisinin tamamı için sınır değerleri kastediyorum.
Bu arada, yanılmışım. Ortalamayı değil, modülün ortalamasını kastettim. Dolayısıyla, teoride tek boyutlu Brown hareketinin birinci farklarının dağılımını M=0 ve sko>0 ile tanımlaması gereken Gauss DF için |x| (yani modülün ortalaması) analitik bir biçimde hesaplanır ve = hız * kök (2 / pi). Oranın geldiği yer burasıdır.
Örnek için, elbette, farklılıklar mümkündür. Ancak 10^6 kene gibi sayılar için bu fark önemli olmamalıdır. Özellikle bu aralığın uçları birbirinden uzak değilse. Ancak bu, yalnızca süreç Wiener ise ve normal bir dağılımla tanımlanıyorsa geçerlidir.
Bu arada, yanılmışım. Ortalamayı değil, modülün ortalamasını kastettim. Dolayısıyla, teoride tek boyutlu Brown hareketinin birinci farklarının dağılımını M=0 ve sko>0 ile tanımlaması gereken Gauss DF için |x| (yani modülün ortalaması) analitik bir biçimde hesaplanır ve = hız * kök (2 / pi). Oranın geldiği yer burasıdır.
Örnek için, elbette, farklılıklar mümkündür. Ancak 10^6 kene gibi sayılar için bu fark önemli olmamalıdır. Özellikle bu aralığın uçları birbirinden uzak değilse. Ancak bu, yalnızca süreç Wiener ise ve normal bir dağılımla tanımlanıyorsa geçerlidir.
Şimdi elimizdeki örnek için bile her şey doğru: speed*root(2/pi). Doğru, süreç normal dağılımdan çok uzak:
ve kesinlikle Wienerovsky değil (alternatif korrelogram sıfırdan farklıdır):
Şimdi elimizdeki örnek için bile her şey doğru: speed*root(2/pi). Doğru, süreç normal dağılımdan çok uzak:
ve kesinlikle Wienerovsky değil (alternatif korelogram sıfırdan farklıdır):
İlginçtir ki, EURJPY keneleri için |x|=sko*root(2/pi) ilişkisi yerine getirilmiştir, ancak dağılım normalden farklı mı?
Normal ya da değil nasıl tanımlarsınız? Aynı zamanda RF grafiğinde normal dağılımı görmek güzel olurdu.
Ancak Karelogram'ın işaret değişimi ile her şey açıktır. Zigzag segmentleri (herhangi bir) için oluşturulmuşsa, komşu (ve tüm tek kaymalar) segmentler için korelasyonun negatif ve tüm çift kaymalar için - pozitif olacağı oldukça açıktır. Şimdi, bunu ilk kene farkları için yaparsanız, sanırım resim farklı olacaktır.
Normal ya da değil nasıl tanımlarsınız? Aynı anda FR grafiğine ve normal dağılıma bakmak güzel olurdu.
Rica ederim:
Eh, neredeyse tamamlandı:
Ancak Karelogram'ın işaret değişimi ile her şey açıktır. Zigzag segmentleri (herhangi bir) için oluşturulmuşsa, komşu (ve tüm tek kaymalar) segmentler için korelasyonun negatif ve tüm çift kaymalar için - pozitif olacağı oldukça açıktır. Şimdi, bunu ilk kene farkları için yaparsanız, sanırım resim farklı olacaktır.
İşte Yura, anlamıyorum. İlk kene farkı için (Zig-Zag'ın bununla hiçbir ilgisi yok), "mevcut" kenenin her biri ile bağlantısını daha da uzağa gösteren bir korelogram oluşturdum. Her birinin n kene okumasıyla oluşan ilk farklar arasındaki korelasyon katsayısının bağımlılığını gösterebilirim:
Yakalayamadığım bir şey görünüyor. Logaritmik bir ölçekte, normal dağılım ters çevrilmiş bir parabol gibi görünmelidir (yani -x^2). Bu resimde doğrusal bir ilişki (yani -x) gibi görünüyor ve önceki gönderide bir abartı (yani 1/x) gibi görünüyor. Bir şey anlamadıysam, beni düzeltin.
Ama haklıysam bu dağılım da normal değil.
Korelograma gelince, anladım, yanılmışım. Gerçekten de, böylesine açık bir değişim şaşırtıcıdır. Gecikme=1 için anlamlı negatif değer hala açık olmasına rağmen. O tartışmada bile, özellikle kene seviyesinde, piyasanın önemli bir getirisine ikna olmuştuk. Ve bu arada, keneler için yaklaşık 1.40-1.50 seviyesinde çok küçük Hvol değerleri aldım. Son korelogram, anladığım kadarıyla, piyasanın tekrarının her düzeyde korunduğunu, ancak oldukça hızlı bir şekilde asimptotik olarak sıfıra yöneldiğini gösteriyor. Kabul ediyorum ?
0.89 ile 0.80 arasındaki fark bence büyük değil, çok büyük. Bu %10'dan fazladır. Hvol için aldığımız ikiliden ne gibi farklılıklar olduğunu hatırlayın. Temel olarak, 1,95-2,05 aralığına sığarlar. %10'luk bir fark 1.80 (sadece keneler için olmuştur) veya 2.20'dir (hiç gerçekleşmemiştir). Yani, IMHO, bu oran normal dağılımdan farkı başarıyla gösteriyor. Tek soru, bir yönde 0.80'den farkının ne ölçüde kalıcılık-karşıtlık ölçüsü olarak kullanılabileceğidir.
not
Bir mesaj gönderdim ve ondan sonra resmi değiştirdiğini ve ters çevrilmiş bir parabolü olduğunu gördüm. :-))
Son korelogram, anladığım kadarıyla, piyasanın tekrarının her düzeyde korunduğunu, ancak oldukça hızlı bir şekilde asimptotik olarak sıfıra yöneldiğini gösteriyor. Kabul ediyorum ?
Kabul ediyorum! VR'nin bu özelliğinin nasıl etkin bir şekilde kullanılacağını öğrenmek güzel olurdu.
Yani, IMHO, bu oran normal dağılımdan farkı başarıyla gösteriyor. Tek soru, bir yönde 0.80'den farkının ne ölçüde kalıcılık-karşıtlık ölçüsü olarak kullanılabileceğidir.
ACF bu görevle mükemmel bir iş çıkardığı için, neden yeni bir kalıcılık-karşıtlık ölçüsü getirelim? Yoksa bir şey mi kaçırıyorsun?
Kabul ediyorum! VR'nin bu özelliğinin nasıl etkin bir şekilde kullanılacağını öğrenmek güzel olurdu.
ACF bu görevle mükemmel bir iş çıkardığı için neden yeni bir kalıcılık-karşıtlık ölçütü getirelim? Yoksa bir şey mi kaçırıyorsun?
Bu davanın kullanımı bir sorudur. Pastukhov'un stratejisinin tüm basitliğine ve bariz açıklığına rağmen, bence içinde geçtiğimiz ve gözden kaçırdığımız tuzaklar var.
Tikler ve birkaç zikzak için dağılımı logaritmik bir ölçekte çizdim ve sizinle aynı sonuçları aldım: keneler için hiperbol gibi bir eğri elde edersiniz, zikzaklar için düz çizgiler elde edersiniz. Yani burada normal dağılım kokusu yok. Merak ediyorum, keneler ve zikzaklar (keneler üzerine kurulu) için dağılım türlerinin temelde farklı olduğunu merak ediyorum? Sonuçta, keneler aynı zikzaktır, yalnızca H=1 parametresinin en küçük değeriyle.
Yeni bir ölçü getirmeyi teklif etmedim, sadece bu oranın bu kapasitede kullanılabileceğini belirttim. Genel olarak hem fizikte hem de matematikte herhangi bir problem birkaç yolla çözülebilir. Aynı zamanda, aynı sorunu çözmenin imkansız olduğu daha az haklı olmayan daha fazla yol var. Tıpkı bazı koordinatlarda diferansiyel çözümün mümkün olduğu, ancak diğerlerinde olmadığı gibi. ACF'ye karşı hiçbir şeyim yok, sadece bu yöntem bana diğerleri kadar tanıdık gelmiyor. Ek olarak, ACF'de kene veya çubuk sayısına eşit olacak sabit bir Gecikme belirtilmelidir. Bu, tabiri caizse, pencereyi x ekseni boyunca sabitlemektir. Ve bir zikzak oluşturursanız, her segment tamamen farklı sayıda onay işareti (çubuk) içerebilir. Bu zaten pencereyi delta modülasyonu olarak adlandırılan y ekseni boyunca sabitliyor. Bu iki yöntem temelde farklıdır.
Bununla birlikte, her birinin kendi avantajları ve dezavantajları vardır. ACF'nin avantajları arasında, onu sürekli, nispeten düzgün bir işlev olarak oluşturma yeteneğini de içerirdim. Bir zikzak ile çalışırken bu imkansızdır. Her iki seçeneği de kullanmak mantıklı olabilir. Kuantum mekaniğinin tamamlayıcılık ilkesi gibi. :-)
Aşağıdakileri yapalım. EURUSD için 2006'nın tüm keneleri için H=1'den (kene zikzak) H=50'ye kadar tüm H için (Hvol-2) ve oranı (Kapsam/|x|-0.80) hesaplayacağım ve model için normal dağılımlı seri 2200000 sayıları, ki bu sonra karşılaştırma için kullandık. Aynısını AKF için de yapacaksınız. Resimleri karşılaştırın. En kötü durumda, bu seçeneklerin eşdeğer olduğunu göreceğiz. En iyi ihtimalle, karşılıklı olarak tamamlayıcıdırlar.
Haydi!
Ne inşa etmeliyim? - Zig-Zag için Korelogram veya H=1...50 için Kagi-bölümleri için. Bunların aynı şey olmadığı resimden görülebilir. Üzerinde, beyaz bir zikzak gerçek ekstremadır ve mavi-kırmızı kesikli bir çizgi kagi oluşumlarıdır:
Zig-Zag için bir korelogram oluşturmanın anlamsız olduğu açıktır - kesinlikle işaret dönüşümlü olacaktır ve modulo 1'e eğilimlidir. Kagi yapıları ile ilginç hale gelebilir ...
O zaman aynı volatiliteye sahip bir Wiener işlemi için mi yoksa gerçek korelogramla eşleşen normal olarak dağıtılmış bir model serisi için mi yapmalıyım?
Yük için üzgünüm. Sadece yapmak istemiyorsun.
Ne inşa etmeliyim?
Sergey, bak ne yaptım ve her şeyi anlayacaksın.
Aşağıda Hvol bağımlılığı grafikleri ve hız/|bacak| EURUSD 2006 için oluşturulmuş zikzakın H parametresinden keneler. (1969732 tik) ve CB dizisi (2200000 tik). H=1 ... 50 değer aralığı için hesaplama yapılmıştır. Aslında bu bir kagi bölümüdür. Çubuklar için zikzakla örtüşebilir ve örtüşmeyebilirler, ancak keneler için olmalıdırlar. |bacak| - zikzak segment uzunluğunun ortalama değeri.
Kolaylık sağlamak için, grafik farkı (Hvol - 2) kırmızı ve farkı (scoo/|leg| - root(pi/2)) mavi olarak gösterir, böylece Hvol=2 değerinden farkı hemen görebilirsiniz, Arbitrajsız bir piyasa için H-volatilitesinin alması gereken değer ve hız/|bacak| olan 1.253314 değerinden fark. normal dağılım için kabul edilmelidir.
Bu grafiklerden, aşağıdaki şeyler görülebilir.
1. Hvol gerçek veriler ve SW modeli için 2'ye yakınsamaktadır, ancak farklı yönlerden. Kene verileri ve küçük H değerleri için 2'den fark önemlidir. Gerçekten de kısa aralıklarla piyasanın getirisi önemli. Yayılma ve komisyoncu yasağı olmasaydı, pipleme stratejilerinin iyi bir şansa sahip olmasının nedeninin bu olduğunu düşünüyorum.
2. Hız/|bacak| oranı gerçek veri ve model serilerinde H'nin hemen hemen tüm değerleri için kök(pi/2)=1.253314 değerinden farklıdır. Tek istisna, SW modeli için H=1'dir. Bu, kagi bölünmesinin (ve bence Renko'nun da) üzerine kurulduğu orijinal seri normal dağılmış olsa bile normal olmayan bir dağılıma sahip olduğunu gösterir. Ve eğer böyleyse, normal dağılıma dayalı tüm teoriler ve modeller açıkça hatalıdır.
3. Gerçek veriler için, ZigZag segmentinin ortalama değerinin, normal dağılımlı bir seriye göre SCO değerine çok daha yakın olduğu ortaya çıktı. SCO, oynaklığın ve dolayısıyla riskin bir ölçüsü olduğundan, gerçek veriler üzerinde oynamanın riskinin normal olarak dağıtılmış bir CV'den daha az olduğu ortaya çıkıyor. Belki de bu yüzden Forex'te kazanmak hala mümkündür?
Ama hepsi bu kadar değil. Sıkıcılığımın ardından, dizilişin gerçekten normal şekilde dağıldığından emin olmaya karar verdim. Ve tatsız bir şekilde şaşırdı. Sergey, işte euro ve o kadro için FR. Keneler için ters çevrilmiş parabolü nasıl çevirirseniz çevirin, işe yaramaz.
Ancak euro için, sizinkiyle tamamen aynı eğriler çıkıyor. Belki de bunun nedeni, bu model aralığında gerçek bir serinin özelliklerini özellikle yeniden üretmeye çalışmanızdır? Her durumda, kagi oluşumlarının ve parametrelerinin ve FR'nin normal bir CB üzerinde nasıl davranacağını görmek isterim. Örneğin, keneler ve bu keneler üzerine inşa edilen zikzaklar için dağılımların temelde birbirinden farklı olduğunu görmek benim için çok garip.