基于艾略特波浪理论的交易策略 - 页 186

新评论
 
历史确实在重复，这一点在赫斯特指数中得到了证明，只是它评估了既定结构重复/延续的可能性（正如我之前写到的），这在一定程度上改变了TC的方法。

赫斯特指数是时间序列的 一个整体特征，描述了感兴趣的数量的扩散率（与时间的偏差量）。因此，很多有趣的观点根本没有被考虑到。更具信息量的是构建残余时间序列的相关图。作为一个特例，我们可以从中得到赫斯特指数的估计值，但除此之外，我们手中还有一个强大的工具来确定时间序列中更微妙的重要指标。
 
<br/ translate="no"> Hurst指数是时间序列的一个整体特征，描述了感兴趣的数量的扩散率（与时间的偏差量）
。


对赫斯特指数的 解释很有意思，我还没有遇到过这样的理解。我承认，对 "与时间的偏差值 "的解释我不太理解。 。


更具信息量的是构建残余时间序列的相关图。作为一个特例，Hurst指数可以通过它来估计


我目前正在完成一个工作版本（更准确）的指标计算，但使用小波分析。如果你不介意，请告诉我或给我一些链接，如何从相关图中获得赫斯特指数。 它的计算方法有很多变种。:о)
 
PS：或者你的意思是，根据相关图计算频谱指数？
 
<br/ translate="no">对赫斯特人物的有趣解释，还没有遇到过。"与时间的偏差值 "的解释，我承认我不太理解。
而且它的计算方法确实有很多变种。:o)


作为条数 n（或时间框架t）的函数，工具s的波动率被计算为在最小时间框架s0上确定的波动率乘以感兴趣的时间框架t与最小t0的比率，所有这些都是Hurst指数的幂： s=s0*（t/t0）^M，其中M是Hurst指数。通常，对于基于静止的正态分布随机变量的积分时间序列，Hurst指数为1/2，表明价格形成的不可预测性。在这种情况下，时间t后的价格有63%的概率将位于宽度为s的价格走廊中。事实上，我试图把它称为扩散率，也许太草率了:-)如果Hearst的值超过1/2，那么我们可以说是趋势市场，如果它小于1/2--关于落后的价格行为。也许，这就是从赫斯特比率分析中可以学到的全部东西。 对于复杂的研究人员来说，这并不重要。同样，关于价格形成机制的更详细的信息可以从自相关函数的样本类似物的分析中获得。


现在我正在完成一个指标计算的工作版本（更精确），但使用了小波分析。如果你不介意的话，请告诉我或给我一些关于如何从相关图中获得赫斯特指数的链接。

我想不起来了。如果我记得，我会给你链接的。
 
中子，我是否可以假设，当你谈到频谱密度时，你是指从随机过程的频谱理论方面来理解它？如果是这样，那么对我来说，这或多或少是有意义的。如果没有，那么我将进一步考虑 :o)

至于波动性，s0是如何定义的。如果可以，请给我一个链接或告诉我更多关于它的信息。我不太明白。通过时间框架，我们的这个公式是什么意思？
 
嗨，Grasn。
静止时间序列的频谱密度 p(omega)由其自相关函数定义：
p(omega)=SUM(r(k)*exp{i*omega*k})， 其中总和是从-无穷，到+无穷。
由于r(-k)=r(k)，光谱密度可以写成：
p(omega)=1+2*SUM(r(k)*cos{omega*k})， 其中总和是从1，到+无穷。
因此，函数p（omega） 是周期为2Pi的谐波。频谱密度的图形，称为频谱，对omega = Pi是对称的。因此，当分析
p(omega)的行为时，被限制在0<=omega<=Pi/dt或由f从0到1/（2*dt）的值。它的维度是振幅的平方，指的是一个频率单位。
在应用时间序列分析中使用该函数的属性被定义为 "谱系时间序列分析"。例如，在[Jenkins, Wats (1971, 1972)]和[Lloyd, Lederman (1990)]中对这种方法进行了合理的完整描述。
通常，在滤波器的频率分析中，采样间隔的值dt取为1，这分别决定了频率响应在间隔(0...Pi)上的设置由频率或(0...1/2)由f决定。当使用快速傅里叶变换（FFT）时，频谱是在0到2Pi（从0到1赫兹）的频率区间内的正频率的单边变体中计算的，其中主频谱的复共轭部分（从-Pi到0）采取从Pi到2Pi的区间（为了加速计算，使用了离散谱的周期性原理）。
对于有意义的分析来说，频谱密度值描述了时间序列xt和周期为2Pi/omega的谐波之间存在的关系强度，这一点很重要。这使得它有可能使用频谱作为捕捉所分析的时间序列的周期性的手段：频谱峰值的集合决定了扩展中的谐波成分的集合。如果该数列包含一个欧米茄频率的隐性谐波，它也包含频率为欧米茄/2、欧米茄/3等的周期项。这就是所谓的 "回声"，由频谱在低频处重复。

Grasn，关于波动性。
它的计算方法与标准差 估计没有区别：
s0=SQRT(|SUM{高[i+1+k]-低[i+k]}^2|/{k-1}) ，其中求和是对从0到n的所有k进行的。为了保证统计学上的可靠性，n应该大于100。根据这个公式，s0的计算时间范围最小，通常为几分钟。知道了Hurst指数是如何取决于时间框架的，你就可以用上面帖子中给出的公式找到任何时间框架下的波动率值。反之亦然：如果你在处理完统计数据后用上述公式建立波动率对时间框架的依赖性，那么计算Hurst指数就不难了。
 
<br / translate="no"> ..........
格拉斯恩，关于挥发性。
计算它与估计标准差没有什么不同。
s0=SQRT(|SUM{高[i+1+k]-低[i+k]}^2|/{k-1})， 其中求和是在从0到n的所有k上进行。对于统计学上的可靠性来说，n应该大于100。使用这个公式计算的s0是最小的时间范围，它通常是几分钟。知道了Hurst指数是如何取决于时间框架的，你就可以用上面帖子中给出的公式找到任何时间框架下的波动率值。反之亦然：如果你在处理完统计数据后用上述公式建立波动率对时间框架的依赖性，那么计算Hurst指数 就不难了。


这是我不理解的一点。
 
Rosh，你很幸运。我也没有理解其余的内容。:-))
我必须认真对待DSP。

中子，在上述公式中，s0=SQRT(|SUM{高[i+1+k]-低[i+k]}^2|/{k-1})
，有一点不清楚。也许问题在于，用文本格式写公式并不能显示所有的细微之处。请解释一下
1.如果已经是正值，为什么还需要差值之和的模数
2.如果是通过
，为什么分母中的{k-1}在和号后面？ 3.为什么高和低指的是相邻的，而不是一个，条

顺便说一句，grasn，还记得我们关于波动率的讨论吗？中子，正如你所看到的，声明与我一样：波动性是由标准差 来衡量的。
 
你好，Rosh!
有什么不清楚的？公式是如何得出的，一个东西是如何从另一个东西中表达出来的，或者只是，什么都不清楚？
开个玩笑!
 
Rosh 你很幸运。我也没有理解其余的内容。:-))
我想我必须要认真对待DSP了。

顺便说一句grasn，还记得我们关于波动性的讨论吗？中子，你可以看到，他的说法和我一样：波动率是由标准差的值来估计的。


我理解这一点，尽管我没有遇到过这样的波动性定义。我对这个参数感兴趣，因为它是选择可靠渠道的一个限定标准。我将不得不看看我将得到什么。特别是由于与赫斯特指数 有联系。PS：DSP的确是一个有趣的领域，我提醒你，你已经加入了 "数字学家 "的行列。
1...179180181182183184185186187188189190191192193...309
新评论