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)