import numpy as np
import random
def autocorr(x, t=1):
return np.corrcoef(np.array([x[:-t], x[t:]]))[0][1]
SB_numbers = []
for i in range (1, 100000):
r = random.randint(0, 1)
if r == 0:
r = -1
SB_numbers.append(r)
#print(SB_numbers)
SB_time_series = []
price = 0for el in SB_numbers:
price = price + el
SB_time_series.append(price)
#print(SB_time_series)
print('numbers autocorr:',autocorr(SB_numbers, 1))
print('time_series autocorr::',autocorr(SB_time_series, 1))
时间限制会降低概率。
是的，但你仍然可以在3-5天内找到有100%概率触发的模式（我检查过）。
是的，好吧，问题的一半已经解决了，另一半是把止损放在哪里。
这不是一个TS，只是一个想法
哦，看看谁来了）你已经知道如何计算SB的ACF了，对吗？不像smartlab，你不能因为这个问题在这里禁止我)
你好，阿列克谢，我可以不问自明地回答你的问题吗？只是我读了很多关于你如何问的文章，我无法忍受，因为解决办法在我看来非常简单。
我从随机值（1或-1）创建了一个规范化的数字系列。
并从中得出一个经典的股票图表，通过对当前点的所有前值进行汇总。
那么对于归一化的系列，自相关将趋于零。
而对于股票图表的系列，自相关将趋于统一。
但只有在足够的系列长度下，当100000个数字的系列足够时，我得到的结果如下。
0.0010599888334729966（归一化数据）
0.9999708433220806 (non-normalized).
对于100个数字的系列。
0.018773466833541926
0.9367627243658354
满分10分。
-0.4999999999999999（这些值随每个新系列随机变化）。
-0.14285714285714285（这些 值随每个新系列随机变化）。
这些只是特殊情况，但正如你所看到的，在小的系列规模下，它可以 在非常宽的随机范围内 显示 自 相关。
也就是说，这种自相关不是产生数据的过程的属性（其中不存在自相关），这使得在这种情况下很难测量和评估过程。
我在下面附上我的Python代码，如果有人突然想检查计算结果的话。
你好，阿列克谢，我可以不问自明地回答你的问题吗？只是在你问的时候，我读了很多书，我受不了，因为解决办法在我看来非常简单。
我从随机值（1或-1）创建了一个规范化的数字系列。
并从中得出一个经典的股票图表，通过对当前点的所有前值进行汇总。
那么对于归一化的系列，自相关将趋于零。
而对于股票图表的系列，自相关将趋于统一。
但只有在足够长的系列中，当系列由100000个数字组成时，我得到的结果如下。
0.0010599888334729966（归一化数据）
0.9999708433220806 (non-normalized).
对于100个数字的系列。
0.018773466833541926
0.9367627243658354
满分10分。
-0.4999999999999999（这些值随每个新系列随机变化）。
-0.14285714285714285（这些 值随每个新系列随机变化）。
这些只是特殊情况，但正如你所看到的，在小的系列规模下，它可以 在非常宽的随机范围内 显示 自 相关。
也就是说，这种自相关不是产生数据的过程的属性（其中不存在自相关），这使得在这种情况下很难测量和评估过程。
我在下面附上我的Python代码，以备有人突然想检查计算结果。
你正在计算样本ACF。现在所问的是ACF。不久前，Valeriy Yastremskiy在这个主题中发布了计量经济学手册的链接，其中包含白噪声和静止AR（1）过程 的ACF公式。如果我没记错的话，这种功能在那里是用希腊字母gamma表示的。人们想知道SB的公式是什么。
如果我们通过样本交易，为什么还需要公式？
我们按价格交易。价格是一个样本的假设是一种抽象和理论化的说法。
你在计算有选择的ACF。现在所问的是ACF。不久前，Valeriy Yastremskiy在这个主题中发布了计量经济学教程的链接，其中给出了白噪声和静止AR（1）过程 的ACF公式。如果我没有记错的话，这种功能在那里是用希腊字母gamma表示的。问题是，SB的公式是什么？
我考虑了皮尔逊的相关系数，这似乎是评估是否存在自相关的标准。不幸的是，我不太清楚你到底是什么意思，你写了一个很短的 "AFC"=自相关函数？那么皮尔逊系数到底有什么地方让你不满意呢？在我看来，这种估计是正确的。
这是你想得到的吗？
关于交易、自动交易系统和策略测试的论坛
交易中的机器学习：理论、实践、交易及其他
秘密, 2021.12.14 19:26
如果我们通过样本交易，为什么还需要公式呢？我考虑了皮尔逊的相关系数，这似乎是评估是否存在自相关的标准。不幸的是，我不太清楚你到底是什么意思，你写了一个很短的 "AFC"=自相关函数？那么皮尔逊系数到底有什么地方让你不满意呢？在我看来，这种估计是正确的。
这就是你想了解的情况吗？
你是想用ACF的样本估计值来代替ACF。从定义ACF开始，而不是如何从现有的实现（样本）中近似地定义它。
例子。让Xi为白噪声。那么它的ACF=COV(Xj,Xk)/sqrt(COV(Xj,Xj)* COV(Xk,Xk))- 是两个指数j和k的函数，如果j==k，它等于1，当j！=k时，它等于0。我们按价格交易。价格是一个样本的假设是一种抽象和理论化的说法。
你是想用ACF的样本估计值来代替ACF。从定义ACF开始，而不是如何从现有的实现（样本）中接近它。
让我再次解释我的结论。
对于一个随机行走过程的AFC的一般估计，有必要。
- 采取尽可能大的样本（在我的例子中是10万个）。
- 使用规范化的数据
结论：皮尔逊系数为零，其他的都是根据样本估计过程的错误。
也就是说，随机行走过程没有任何的自相关。
它等于0。(0.0010599888334729966 ) 其中0是真实的自相关，0.00105是误差。
理论化是公式交易)
乘法表也是一个公式。因此，你的说法应该被解释为：用你熟悉的公式交易是实用性，用你不熟悉的公式交易是理论性)