赫斯特指数 - 页 36

新评论
 
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
 
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
 

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。

 
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，))))
 
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。

 
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。

 
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）。
 
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？

 
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。
 
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