Скоро в календаре не останется нечёрных рабочих дней недели, которыми журналисты называют дни обрушения курса рубля. У нас уже были "чёрный вторник" в 1994 г., "чёрный понедельник" в 1998 г., "чёрная пятница" в 2008 г., снова "чёрный вторник" в 2014 г… Хорошо, что биржа не работает по воскресеньям и субботам — хоть в выходные граждане могут...
GARCH
我在实践中对外汇有自己的理解，而Garch并不能解决我需要的问题。
看起来，garch很容易解决许多问题，并且用简单的方法得到的结果可以与复杂的MO相媲美。但Garch的输入数据受到价格的限制，我认为这还不够。因此，如果我们采取MO模型，给它定价，并将预测结果与用garch获得的预测结果进行比较，可能会发现它们并不逊色。但是，如果你给MO模型更多的输入数据，它将获得显著的优势。
一般来说，Garch和其他机器学习模型有很多共同点，用Garch工作，你比你想象的更接近MO。
在这两种情况下（MO和Garch），价格被采集，对其进行各种转换以创建预测器（正态模型的指标和Garch的阿里马转换），并基于它们对价格进行建模，试图预测收益。
此外，在MO中还有交叉验证以确保一切正常，而对于Garch来说，同样有一些内部统计检查。
一般来说，这两种情况下的方法非常相似（用价格做一些事情来满足所有模型的要求并预测未来），只是做的方式略有不同。
但显然价格过于随机，而且发现的模式非常小。无论花多少时间训练模型，它的估计值仍然远非完美，只比随机猜测的估计值高几个百分点。
有时，人们会很幸运，发现的这些依赖关系虽然很小，但却存在很长时间，并带来了利润。但他们总是突然消失。这是我现在面临的主要问题--找到一些外部指标，如财务报告，可以用来训练模型，有一个非常好的估计，这样找到的依赖关系就会稳定，不会突然消失。
我在实践中对外汇有自己的理解，而Garch并不能解决我需要的问题。
结果很可能是，Garch很容易解决许多问题，并且通过简单的方法得到与复杂的MO相当的结果。但是garch的输入数据受到价格的限制，我认为这还不够。因此，如果我们采取MO模型，给它定价，并将预测结果与用garch获得的预测结果进行比较，可能会发现它们并不逊色。但是，如果你给MO模型更多的输入数据，它将获得显著的优势。
一般来说，Garch和其他机器学习模型有很多共同点，用Garch工作，你比你想象的更接近MO。
在这两种情况下（MO和Garch），价格被提取，对其进行各种转换以创建预测器（正态模型的指标，Garch的阿里马转换），并基于它们对价格进行建模，试图预测收益。
此外，在MO中还有交叉验证以确保一切正常，而对于Garch来说，同样有一些内部统计检查。
一般来说，这两种情况下的方法非常相似（用价格做一些事情来满足所有模型的要求并预测未来），只是做的方式略有不同。
但显然价格过于随机，而且发现的模式非常小。无论花多少时间训练模型，它的估计值仍然远非完美，只比随机猜测的估计值高几个百分点。
有时，人们会很幸运，发现的这些依赖关系虽然很小，但却存在很长时间，并带来了利润。但他们总是突然消失。这就是现在的主要问题。 找到一些外部指标，如财务报告，可能会帮助我用非常好的估计来教导模型，使发现的依赖关系稳定，不会意外消失。
随着实践，我对外汇有了自己的理解，而Garch并不能解决我所需要的问题。
可以看出，Garch很容易解决许多问题，并使用简单的方法给出与复杂的MO相媲美的结果。但是garch的输入数据受到价格的限制，我认为这还不够。因此，如果我们采取MO模型，给它定价，并将预测结果与用garch获得的预测结果进行比较，可能会发现它们并不逊色。但是，如果你给MO模型更多的输入数据，它将获得显著的优势。
一般来说，Garch和其他机器学习模型有很多共同点，用Garch工作，你比你想象的更接近MO。
在这两种情况下（MO和Garch），价格被采集，对其进行各种转换以创建预测器（正态模型的指标和Garch的阿里马转换），并基于它们对价格进行建模，试图预测收益。
此外，在MO中还有交叉验证以确保一切正常，而对于Garch来说，同样有一些内部统计检查。
一般来说，这两种情况下的方法非常相似（用价格做一些事情来满足所有模型的要求并预测未来），只是做的方式略有不同。
但显然价格过于随机，而且发现的模式非常小。无论花多少时间训练模型，它的估计值仍然远非完美，只比随机猜测的估计值高几个百分点。
有时，人们会很幸运，发现的这些依赖关系虽然很小，但却存在很长时间，并带来了利润。但他们总是突然消失。这就是现在的主要问题。 找到一些外部指标，如财务报告，可能会帮助我用非常好的估计来教导模型，使发现的依赖关系稳定，不会意外消失。
金融市场的投入总是由有自己利益的人形成的，而且在相同的条件下，不同的时间是不同的。
这在TF to H1中尤为明显。我们得到一个由相对较小的个人群体的欲望形成的随机非平稳 过程。
在D1以上，大数法则开始起作用，而且运动的方向也是由国家、大公司和政治的投资决定的。
在小TF上，寻找模式是没有意义的--没有模式。形成的和我们定义的图案实际上是水面上的圆圈：过去和现在都不是。我们可以抓住一个浪潮的开始，把它砍下来，等待下一次类似浪潮的发生，而它可能根本就不会发生。
在大型TF上，必须考虑大量的因素，因为最初并不清楚它们对目标变量的影响。但最根本的一点是，运动的源头不是一个随机的过程，而是一个决定性的过程，长期产生的，有目的的维持，直到实现。我们可能不了解/不知道，但这些运动可以尝试以模式的形式被MO捞出来，这些模式不是永恒的，但其生命可以持续多年。
由此可见，MO和GARCH是互补的工具，需要结合在一个交易系统中。
金融市场的投入总是由有自己利益的人形成的，而且在相同的条件下，不同的时间是不同的。
这一点在TF到H1上尤为明显。我们得到一个由相对较小的个人群体的欲望形成的随机非平稳 过程。
在D1以上，大数法则开始起作用，而且运动的方向也是由国家、大公司和政治的投资决定的。
在小TF上，寻找模式是没有意义的--没有模式。形成的和我们定义的图案实际上是水面上的圆圈：过去和现在都不是。我们可以抓住一个浪潮的开始，把它砍下来，等待下一次类似浪潮的发生，而它可能根本就不会发生。
在大型TF上，必须考虑大量的因素，因为最初并不清楚它们对目标变量的影响。但最根本的一点是，运动的源头不是一个随机的过程，而是一个决定性的过程，长期产生的，有目的的维持，直到实现。我们可能不了解/不知道，但这些运动可以尝试以模式的形式被MO捞出来，这些模式不是永恒的，但其生命可以持续多年。
由此可见，MO和GARCH是互补的工具，需要合并成一个交易系统。
我已经厌倦了写这样的文章：采取哪种时间框架没有区别，任何地方的风险都是一样的，除了点差和剥头皮的佣金，没有任何区别，但这是另一种消极因素。任何时间序列 只由几个变量描述，甚至可能由2个变量描述，如持久性（heurst）和波动性（分形维度），以及，让我们说，这些非周期性周期的持续时间应该被分开，一切。由此可以用MO或其他东西建立简单而可靠的模型。由此可见，建立一个连续工作的模型是永远不可能的，因为报价是随机的，非周期性的循环是自发形成的，因此在相同的条件下，从一个循环过渡到另一个循环的时刻是不可预测的，有必要改变表述的尺度，把这些循环看作是一个更大的循环的组成部分。我相信这种理解是基础，没有这种理解就不可能以正确的方式将市场视为一个概率系统。在非周期性周期内，即使是简单的模型也能很好地工作，当周期发生变化时，事情总是会崩溃的。从一个周期到另一个周期，市场总是新的和不同的。TF与这一点有什么关系。
你从哪里得到这些深奥的废话，说小的TFs被小部分人的欲望所支配，而在大的TFs中，一切都被决定。从来都是这样，而且是指手画脚，市场是一个不同的机制，一切都与一切都相互联系，因此所有的TF（投资范围）都是规模不变的。
如果我们要谈论决定论，那就是所有的时间框架相互依赖，因为报价是一样的，我们只是改变了事件的规模，这就像沿着一个分形从较低的到较高的，反之亦然。
金融市场的投入总是由有自己利益的人形成的，而且在相同的条件下，不同的时间是不同的。
这在TF to H1中尤为明显。我们得到一个由相对较小的个人群体的欲望形成的随机非平稳 过程。
在D1以上，大数法则开始起作用，而且运动的方向也是由国家、大公司和政治的投资决定的。
在小TF上，寻找模式是没有意义的--没有模式。形成的和我们定义的图案实际上是水面上的圆圈：过去和现在都不是。我们可以抓住一个浪潮的开始，把它砍下来，等待下一次类似浪潮的发生，而它可能根本就不会发生。
在大型TF上，必须考虑大量的因素，因为最初并不清楚它们对目标变量的影响。但最根本的一点是，运动的源头不是一个随机的过程，而是一个决定性的过程，长期产生的，有目的的维持，直到实现。我们可能不了解/不知道，但这些运动可以尝试以模式的形式被MO钓出来，这些模式不是永恒的，但其生命可以持续多年。
由此可见，MO和GARCH是互补的工具，需要结合在一个交易系统中。
在任何TF上都是一个随机的非平稳过程。它 有 一个非稳态的决定性成分和非稳态的随机成分，也是在任何 TF上。
用自己的 "欲望 "和其他无稽之谈来解释随机性和非平稳性是无稽之谈。
关于这个过程的所有信息都在这个过程本身（在图表-历史中，"说明一切的价格"）。挑战是如何从这个过程中提取正确的信息，这些信息可以用于自己的目的。这项任务是困难的，但可以解决。
任何国家的经济都是商品和服务的生产，这是一个非常确定的、高度惯性的过程。可以找到这样的例子，这种过程几十年来一直是完全稳定的。任何国家的生产总值在一年内发生百分之一的变化，不是成功就是灾难。一个国家的产出下降10%就会引起社会爆炸。
我们所看到的是这个决定性过程的泡沫。今天，这种泡沫越来越脱离实体经济，但在宏观经济层面，在季度自然经济指标（其中有数万个）层面，一切都保持不变。
http://my-files.ru/9iyzd6
在论坛的某个地方，有一个话题，有人使用类似的数据，预测了几个月后的一些指数。
找到了这个。https://www.mql5.com/ru/forum/40739（也是FRED）。有趣的话题，也许有一天我会尝试用这些数据来预测月度时间框架的金牛座。
小心点，指标可能会被修改（重新绘制）。
任何国家的经济都是商品和服务的生产，这是一个非常确定的、高度惯性的过程。可以找到这样的例子，这种过程几十年来一直是完全稳定的。任何国家的生产总值在一年内发生百分之一的变化，不是成功就是灾难。一个国家的产出下降10%就会引起社会爆炸。
我们所看到的是这个决定性过程的泡沫。今天，这种泡沫越来越脱离实体经济，但在宏观经济层面，在每季度的自然经济指标 层面（其中有数万个指标），一切都保持不变。
你又开始了你赤裸裸的修辞："非常确定的"，"极度惯性"......你说 "泡沫"？"一切保持不变"？就好像你在脑海中画了一幅画，并在描述这幅画的时候，没有在意它与现实有多大的差距。
你算是一个 "计量经济学家"，应该能够理解......但是没有。
尝试阅读谢尔盖-格拉济耶夫的文章。这对了解情况很有帮助。
我目前的观点是交易偏差而不是趋势，因为这些趋势在不久的将来是可疑的。
为了交易偏差，有一种叫做GARCH的装置，在金融市场上被广泛使用，从高频交易开始。梦想限制是高达100点。因此，在H1以下的TF上，我们抓住15-20个点并等待下一个信号。市场上的时间越少，专家顾问就越好。