赫斯特指数 - 页 36 1...293031323334353637383940414243...46 新评论 [删除] 2013.02.20 17:01 #351 我主要是读这方面的学位论文。而计算结果取自http://capital-times.com.ua/index.php?option=com_content&task=view&id=11623&Itemid=88888963 СанСаныч Фоменко 2013.02.20 17:26 #352 Rnita: 我读的主要是关于这个问题的学位论文。而计算结果取自http://capital-times.com.ua/index.php?option=com_content&task=view&id=11623&Itemid=88888963一个非常有趣的话题。我希望在未来能了解到这个结果。作为对本专题发展的贡献。FARIMA分数积分模型被用于应用赫斯特指数。对于这些模型,有一个现成的代码用于参数估计。Excel不是讨论的正确包。不幸的是,这些算法是在R中实现的,这是一个非常混蛋的编程系统。也许它们是在其他地方实施的。寻找FARIMA和长期运行记忆。在附件中,我附上了R公司关于如何使用FARIMA模型的说明。你可以在这里 找到大量的文献,而且费用非常低廉。按时间序列和R搜索。很多非常好的书。好运。我希望你能在论坛上公布结果,或者至少是当面公布。 附加的文件: fracdiff.zip 145 kb Alexey Subbotin 2013.02.20 17:29 #353 文件中D列中的零点由于公式中的错误而无法工作。第一个是在D87单元格,文中还有一打。重新锁定这一栏,其余的似乎都是正确的(尽管也要检查有效值的计算)。关于其他。一般来说,Hurst系数 是一个整体特性,即它在整个测量期间表征随机变量,而不是其实现序列中的某一点。因此,在实践中,我们不能说 "我们已经计算了H",正确的做法是 "我们已经估计了H"。这不是势利眼,我的意思是,你永远不会知道一个量的赫斯特值到底是多少,因为这个信息只有上帝才知道,但你只能在一定程度上估计它的价值,而且你的观察越多,估计就越准确。因此,对你的问题的回答是:是否将数列分成几个时期,取决于你是想估计整个数列的H指数,还是其某些部分的H指数(没有人告诉我们它在时间上是恒定的,对吗?)你可以简单地把你的样本中的观察值的数量作为N。 [删除] 2013.02.21 14:48 #354 谢谢你!我将研究并公布结果,但水平可能很低,因为这些材料在大脑中很难掌握。我充分接受批评,)))) Vasiliy Sokolov 2013.02.22 13:32 #355 Rnita: 我读的主要是关于这个问题的学位论文。而计算结果是http://capital-times.com.ua/index.php?option=com_content&task=view&id=11623&Itemid=88888963埃里克-尼曼(2010)的这篇论文,又是根据阿德加-彼得斯(1990)的书写的,他从曼德尔波特(1960-70)那里得到了这一方法,早在1951年,一位70岁的老人哈罗德-埃德温-赫斯特首次向公众描述了这一方法。这意味着,当被问及论文建议的主题的新颖性时,你应该想象十九世纪的老埃德温是分形几何的创新者:)但说真的,如上所述,该方法是针对一个特定的、高度不正常的过程--尼罗河泄漏事件而开发的。在下面的图片中,溢出点与整体趋势或数学预期的不相称是很明显的。因此,对于一个特定的过程--尼罗河泄漏--这种方法是好的,也是有效的,但对于曼德尔波特试图提出的金融市场来说,它已经不够了。在任何情况下,在任何市场上,包括SB,你的计算将显示一个大约0.54的值。你需要其他更准确的方法。而只要你写论文,就离不开分位数积分自回归移动平均数FARIMA,而且只有在专门的统计软件包中才能使用。H可以在那里任意设置。但这并不能解决问题,因为为了至少让市场适应模型,你需要计算它的H,如果最简单和最常见的方法不奏效,你怎么能做到?关于这个主题还有其他作品,帕斯图霍夫和希里亚夫的作品。看看他们。它们更科学,更适合写论文,但它们是否更准确是一个问题。还有一个关于同一主题的相关主题,请看这里。 Sceptic Philozoff 2013.02.22 22:56 #356 C-4: 在论文委员会上,你将被问及所提议的主题的新颖性,你将不得不把十九世纪的老埃德温作为分形几何的先驱来介绍:)嗯,不是十九世纪,而是二十世纪。哦,胡说八道这个赫斯特真的。确切地说,阿尔苏 说这是一个不可或缺的东西。 Alexey Subbotin 2013.02.23 13:28 #357 Mathemat:好吧,不是XIX,是XX。赫斯特是个垃圾,真的。确切地说,阿尔苏 说这是一个不可或缺的东西。 它更像这样--H更多的是关于外部环境(其 "粘度"、"弹性 "等),而不是系统本身。如果转移到一个特定的市场工具,这里的H是外部(基本的,我们过去常说的)背景的定量特征:思想的流动性,各自中央银行的典型行动,交易者的 "气质",等等。(例如,比较欧元和日元的行为),而货币对本身在内部模型方面并无差异(所有工具的交易原则和规则都是相同的)。 СанСаныч Фоменко 2013.02.23 13:46 #358 alsu: 它更像是这样--H更像是外部环境(其 "粘性"、"弹性 "等)的特征,而不是系统本身的特征。如果转移到一个特定的市场工具,这里的H是外部(基本的,我们过去常说的)背景的定量特征:思想的流动性,各自中央银行的典型行动,交易者的 "气质",等等。(例如,比较欧元和日元的行为),而货币对本身在内部模型方面并无差异(所有工具的交易原则和规则都是一样的)。 如果我们看 "H更具有外部环境的特征",我们应该注意与赫斯特有关的英语术语。这里是BP专著中的一个复制粘贴。一些时间序列 在高滞后期 表现出 明显的关联性,它们被称为称为长内存进程。长记忆是许多地球物理学的一个特点。时间序列。尼罗河的流量在高滞后期有关联性。和Hurst(1951)证明,这影响了最佳设计能力的大坝。Mudelsee(2007)表明,长记忆是一种水文学特性导致长期干旱或极端天气的时间集聚。洪水。在一个相当不同的规模,Leland等人。(1993)发现,以太网局域网(LAN)流量似乎是一个统计学上的自相似性和一个统计学上的自相似性。长记忆过程。他们表明,在这种情况下产生的拥堵的性质是自相似的流量与流量模型预测的流量有很大的不同当时使用的。曼德布罗特和他的同事们研究了以下关系在自相似性和长期记忆之间发挥了主导作用。确立分形 几何作为一个研究对象。请注意这些话一些时间序列在高滞后期表现出明显的关联性И显示,长内存我试图找出:什么是长记忆?结果是40多个观测值的自相关!。但在引文中,如此长的一个符号的相关性是极其罕见的。总之,花了一个小时后,我没有找到它。大量的人试图使用赫斯特指数。我没有一次看到积极的结果。也许你应该先找到cotiers。在哪个长的记忆? Alexey Subbotin 2013.02.23 13:57 #359 faa1947:大量的人试图使用赫斯特指数。我从来没有见过一个积极的结果。也许我们需要先找到商数。在哪个长的记忆? 长时间的记忆意味着对于一个给定的值,H与0.5有很大的不同,当然在商数中不是这样的。在这方面的尝试之所以失败,主要是因为H在小样本上很难有可靠的估计,所以100个甚至1000个蜡烛图的结果都不可信。而在更大的间隔中,H相当接近一半,即它提供了关于价格行为的相当小的信息(有用的),至少这样的信息将允许超越价差。 СанСаныч Фоменко 2013.02.23 14:21 #360 alsu: 长时间的记忆意味着对于一个给定的值,H与0.5有很大的不同,当然在商数中不是这样的。在这方面的尝试之所以失败,主要是因为H在小样本上很难进行可靠的估计,因此100个甚至1000个烛台的结果都不可信。而在更大的间隔中,H相当接近一半,即它提供了关于价格行为的相当小的信息(有用的),至少这样的信息将允许超越价差。 对我来说,窗口的宽度是相当重要的。在几百个观测值的窗口宽度上,极限定理开始起作用,它给出的平均温度开始非常迅速地走向它的莫。而事实上,需要什么来预测,下一个酒吧?在我的TC中,我总是试图找到最佳的窗口宽度。它在30-70个观测值之间变化(对于H1)。118之后(H1的一周),情况急剧变化。这就是为什么我开始思考 "长期记忆 "这个词。ZS.在关于分形综合模型的文献中,他们通常写的是长记忆,在介绍中写的是 "Hurst、分形、厚尾"。 1...293031323334353637383940414243...46 新评论 您错过了交易机会: 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符(不带空格) 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号,请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置,否则您将无法登录。 忘记您的登录名/密码? 使用 Google 登录
我读的主要是关于这个问题的学位论文。而计算结果取自http://capital-times.com.ua/index.php?option=com_content&task=view&id=11623&Itemid=88888963
一个非常有趣的话题。我希望在未来能了解到这个结果。
作为对本专题发展的贡献。
FARIMA分数积分模型被用于应用赫斯特指数。对于这些模型,有一个现成的代码用于参数估计。Excel不是讨论的正确包。不幸的是,这些算法是在R中实现的,这是一个非常混蛋的编程系统。也许它们是在其他地方实施的。寻找FARIMA和长期运行记忆。在附件中,我附上了R公司关于如何使用FARIMA模型的说明。你可以在这里 找到大量的文献,而且费用非常低廉。按时间序列和R搜索。很多非常好的书。
好运。我希望你能在论坛上公布结果,或者至少是当面公布。
文件中D列中的零点由于公式中的错误而无法工作。第一个是在D87单元格,文中还有一打。重新锁定这一栏,其余的似乎都是正确的(尽管也要检查有效值的计算)。
关于其他。一般来说,Hurst系数 是一个整体特性,即它在整个测量期间表征随机变量,而不是其实现序列中的某一点。因此,在实践中,我们不能说 "我们已经计算了H",正确的做法是 "我们已经估计了H"。这不是势利眼,我的意思是,你永远不会知道一个量的赫斯特值到底是多少,因为这个信息只有上帝才知道,但你只能在一定程度上估计它的价值,而且你的观察越多,估计就越准确。因此,对你的问题的回答是:是否将数列分成几个时期,取决于你是想估计整个数列的H指数,还是其某些部分的H指数(没有人告诉我们它在时间上是恒定的,对吗?)你可以简单地把你的样本中的观察值的数量作为N。
我读的主要是关于这个问题的学位论文。而计算结果是http://capital-times.com.ua/index.php?option=com_content&task=view&id=11623&Itemid=88888963
埃里克-尼曼(2010)的这篇论文,又是根据阿德加-彼得斯(1990)的书写的,他从曼德尔波特(1960-70)那里得到了这一方法,早在1951年,一位70岁的老人哈罗德-埃德温-赫斯特首次向公众描述了这一方法。这意味着,当被问及论文建议的主题的新颖性时,你应该想象十九世纪的老埃德温是分形几何的创新者:)
但说真的,如上所述,该方法是针对一个特定的、高度不正常的过程--尼罗河泄漏事件而开发的。在下面的图片中,溢出点与整体趋势或数学预期的不相称是很明显的。因此,对于一个特定的过程--尼罗河泄漏--这种方法是好的,也是有效的,但对于曼德尔波特试图提出的金融市场来说,它已经不够了。在任何情况下,在任何市场上,包括SB,你的计算将显示一个大约0.54的值。你需要其他更准确的方法。而只要你写论文,就离不开分位数积分自回归移动平均数FARIMA,而且只有在专门的统计软件包中才能使用。H可以在那里任意设置。但这并不能解决问题,因为为了至少让市场适应模型,你需要计算它的H,如果最简单和最常见的方法不奏效,你怎么能做到?关于这个主题还有其他作品,帕斯图霍夫和希里亚夫的作品。看看他们。它们更科学,更适合写论文,但它们是否更准确是一个问题。还有一个关于同一主题的相关主题,请看这里。
嗯,不是十九世纪,而是二十世纪。
哦,胡说八道这个赫斯特真的。确切地说,阿尔苏 说这是一个不可或缺的东西。
好吧,不是XIX,是XX。
赫斯特是个垃圾,真的。确切地说,阿尔苏 说这是一个不可或缺的东西。
它更像这样--H更多的是关于外部环境(其 "粘度"、"弹性 "等),而不是系统本身。如果转移到一个特定的市场工具,这里的H是外部(基本的,我们过去常说的)背景的定量特征:思想的流动性,各自中央银行的典型行动,交易者的 "气质",等等。(例如,比较欧元和日元的行为),而货币对本身在内部模型方面并无差异(所有工具的交易原则和规则都是相同的)。
它更像是这样--H更像是外部环境(其 "粘性"、"弹性 "等)的特征,而不是系统本身的特征。如果转移到一个特定的市场工具,这里的H是外部(基本的,我们过去常说的)背景的定量特征:思想的流动性,各自中央银行的典型行动,交易者的 "气质",等等。(例如,比较欧元和日元的行为),而货币对本身在内部模型方面并无差异(所有工具的交易原则和规则都是一样的)。
如果我们看 "H更具有外部环境的特征",我们应该注意与赫斯特有关的英语术语。这里是BP专著中的一个复制粘贴。
确立分形 几何作为一个研究对象。
请注意这些话
一些时间序列在高滞后期表现出明显的关联性
И
显示,长内存
我试图找出:什么是长记忆?结果是40多个观测值的自相关!。但在引文中,如此长的一个符号的相关性是极其罕见的。总之,花了一个小时后,我没有找到它。
大量的人试图使用赫斯特指数。我没有一次看到积极的结果。也许你应该先找到cotiers。在哪个长的记忆?
大量的人试图使用赫斯特指数。我从来没有见过一个积极的结果。也许我们需要先找到商数。在哪个长的记忆?
长时间的记忆意味着对于一个给定的值,H与0.5有很大的不同,当然在商数中不是这样的。在这方面的尝试之所以失败,主要是因为H在小样本上很难有可靠的估计,所以100个甚至1000个蜡烛图的结果都不可信。而在更大的间隔中,H相当接近一半,即它提供了关于价格行为的相当小的信息(有用的),至少这样的信息将允许超越价差。
长时间的记忆意味着对于一个给定的值,H与0.5有很大的不同,当然在商数中不是这样的。在这方面的尝试之所以失败,主要是因为H在小样本上很难进行可靠的估计,因此100个甚至1000个烛台的结果都不可信。而在更大的间隔中,H相当接近一半,即它提供了关于价格行为的相当小的信息(有用的),至少这样的信息将允许超越价差。
对我来说,窗口的宽度是相当重要的。
在几百个观测值的窗口宽度上,极限定理开始起作用,它给出的平均温度开始非常迅速地走向它的莫。而事实上,需要什么来预测,下一个酒吧?
在我的TC中,我总是试图找到最佳的窗口宽度。它在30-70个观测值之间变化(对于H1)。118之后(H1的一周),情况急剧变化。这就是为什么我开始思考 "长期记忆 "这个词。
ZS.在关于分形综合模型的文献中,他们通常写的是长记忆,在介绍中写的是 "Hurst、分形、厚尾"。