市场现象 - 页 23

新评论
 

逐渐接近模型，和现象。所以，具有随机结构的随机模型当然要以模型本身和模型之间的过渡描述为前提（即由这些模型产生的一个过程拦截另一个过程的一些概率逻辑）。我们可以说BP是由100个伊藤微分方程描述的，然后就有一个识别模型的问题，--什么函数，什么偏差，每个人的扩散系数是什么，系统状态的初始概率向量是什么，一般来说-- ，这不是一个琐碎的任务。

所以我实际上发明了一种转换，将任何初始时间序列 分解为两个子过程。我以前没有见过类似的东西，但也许这是随机函数的典型代表的一个特殊情况。谁知道呢，我又不是专业数学家。它的要点是通过一个网格进行 "筛选"。但不要紧，我还不会布置数学，我必须处理好想法和概念。重要的是，转化后我们只得到两个过程，这些过程是线性的，但有更复杂的结构。

随机过程。该过程的特点与M15 的增量相匹配

经过转换，我们得到。

对于一个随机过程，模型中的系数b(alpha)和b(omega) ，将是模数相同的，长度的差异分别显示一个或另一个动态的主导地位，对于一个随机过程，分离过程的内部结构将接近于线。仍有一些理论问题和更好的算法的发展，但这是一个单独的故事。

顺便说一下，另一个间接的（在尚未严格证明的意义上）断言是，所引用的过程不是随机的，因为分解特征与随机的BP不同（好吧......还没有严格的全部）。

因此，仍然存在着状态（过程）之间的过渡概率问题。如果这些转换可以被认为是 "马尔科夫 "的，那么通过科尔莫戈罗夫-切姆彭公式，将有可能得到系统在未来某个水平线上的状态的概率。

关于最酷的现象（这不只是一个现成的现象的分支，好像研究是允许的，还是不允许的？）因此，在这里我确信有"随机模式"（TA与此无关），这是一个非常强烈的确定性，我希望它们会被证实。有可能是我错了，然后，我已经感觉到了，想象起来很可怕，paukas ，毕竟利润损失的发票将被提交支付。

 
IgorM:

我不明白一件事，你为什么要分析奥雷普斯？

好吧，opens和close在收盘时被人为地降低或提高，有时似乎在收盘时 "有一个游戏来重新绘制蜡烛的颜色"。

我的理论是，我们从DTs得到的一切，整个OHLC都是人为的。但说真的，我们需要在相等的时间间隔内测量这个过程（从工程的角度来看，DSP在某种程度上更熟悉和正确）。在我看来，OHLC的属性似乎没有什么不同。
 
Farnsworth:
不过说真的，你需要在相等的时间间隔内测量这个过程（从工程角度看，DSP更熟悉和正确）。
NN，你在寻找某种动力
 
IgorM:
NN，你在寻找某种动力
不，动量（以及它的所有衍生品）与此无关。
 
Farnsworth:
我的理论是，我们从DC得到的一切，所有的OHLC，都是人为的。不过说真的，我们需要以相等的时间间隔来测量这个过程（因为从工程的角度来看，DSP更熟悉和正确）。在我看来，OHLC的特性似乎没有什么不同。
好吧，为了兴趣，你可以试着用高安看阿尔法，用低安看欧米茄。
 
marketeer:
好吧，为了兴趣，你可以尝试用高am看alpha，用低am看omega。

不是一个问题，只有下周日，当我到了实验室。我不认为它们会有根本性的变化，甚至所有的转换特性都会保持大致相同。

对所有

我想再一次注意，我不知道同事们的情况，但当在增量的有效值范围内采取的时候，产生了一种趋势--我非常惊讶。我承认，我本来以为会有类似于流浪的趋势。这确实是一种趋势。我以决定系数为例说明了这一点，但这是一个非常糟糕的指标，因为它表征了原始序列中模型拟合的质量，也就是说，线性回归 可以完美地拟合任何序列，甚至是一个随机的序列，它将显示例如10年历史上95%的时间序列是由a+b*x在平均误差内解释的。曾经使用过分形特征，特别是以几种方式估计赫斯特指数（R/S分析，方差偏差......）。它需要很长的时间来计算，但有信心显示一个给定的LAMBDA的趋势，这与随机漫步不同。

还有一些有趣的微妙之处，但那是更晚的事。

 
Farnsworth:
我们希望在研究 "胖尾巴 "的过程中，能够接触到更严肃的 "分形 "数学。这还需要一些时间，但现在我发布一项近乎科学的研究，给了我一些思考。

关于模型的假设。

...

塔基，这比以前有趣多了。

问题来了，在这两个过程中，计数之间是否有任何有意义的相关性（线性趋势，这并不是真的）。想法很简单，如果这种依赖性出现了，在所有的转换之后，那么这些过程（两者）确实有区别于随机行走的特性。

顺便说一下，为了划分过程，我们也可以使用它。也就是说，不是以有效值为界限，而是以......我不知道，比如说以自相关 为界限。

 
HideYourRichess:

塔基，这比以前有趣多了。

问题是在这两个过程中，样本之间是否有任何有意义的依赖性（线性趋势，不是真的）。想法很简单，如果这种依赖性出现了，在所有的转换之后，那么这些过程（两者）确实有区别于随机行走的特性。

顺便说一下，为了划分过程，我们也可以使用它。也就是说，不是以有效值为界限，而是以......我不知道，比如说以自相关为界限。


这些模式/依赖性来自哪里？你采取一个时间框架，把一些增量放在一个堆里，一些放在另一个堆里，取决于价值。而几个点或参考点的转移可能会改变这些 "过程 "的组成。 如此细分，交易逻辑从何而来？我们会把M15上的20分称为欧米茄，但如果我们有21分，那就不一样了--这是阿尔法:)这样的归国人员划分矩阵当初是怎么来的？矩阵显示，一个 "过程 "会得到更多的负面回报，而另一个则会得到更多的正面回报，它的结果怎么会和随机漫步也不一样？当然，一个过程会得到更多的负面回报，另一个会得到更多的正面回报？
 
HideYourRichess:

塔基，这比以前有趣多了。

问题是这两个过程中的计数之间是否存在任何有意义的依赖性。这个想法很简单，如果这种依赖性在所有的转换之后出现，那么这些过程就真的具有区别于随机行走的特性。

这些过程的关联性还没有看出来。此外，我不是故意看的。主要原因是我只从该系列中 "挑出 "那些属于分类的计数。出现的漏洞被简单地忽略了。也就是说，根据原来的概念，有一个决定性的趋势，其结构比单纯的线更复杂，但它是决定性的。而这个 "趋势 "过程被另一个更复杂的 "杀手过程"（尾巴、耳朵、任何伸出来的东西）打断（确切地说是打断或破坏）。值得注意的是，不是趋势与噪音混合，而是两个非常复杂的过程在竞争，一个是创造性的，另一个是破坏性的。

要使用吗？- 几乎很容易 :o) 你可以足够准确地预测 "承载过程"（在合理的范围内），然后，例如，使用蒙特卡洛方法，估计未来的破坏，以及估计 "崩溃 "后最可能的价格积累水平。

而我认为，在这个无休止的趋势创造和破坏过程中，一定有这些非常 "随机的模式"。从不同的角度来看待它们，这里有另一种方法。但哲学有点变化，原来有一个趋势，它是由公司、社会、国家等的本质所预先决定的。它是一个，即不存在牛和熊。但有些环境条件下，这种趋势不可能在理想条件下存在，包括社会本身，它可以破坏它（趋势）。但这都是歌词，不要注意。

顺便说一下，为了划分一个过程，也可以使用这个方法。也就是说，不是按有效值分界，而是按......我不知道，比如说按自相关分界。

原则上这是正确的，它不是唯一的过滤方式。

PS重要 的是：我无法在DSP方面过滤这个过程，我根本无法过滤它！！。但这种原始的方法产生了效果。我认为这在这里应该很有效，任何涉及 "multi "前缀的东西。

下周日我将尝试评估这些特定过程的不同特点。

 
Avals:

这些模式/依赖性来自哪里？他们采取了一些时间框架，把一些增量放在一个堆里，一些放在另一个堆里，取决于价值。而几个点或参考点的转移可能会改变这些 "过程 "的组成。 如此细分，交易逻辑从何而来？我们会把M15上的20分称为欧米茄，但如果我们有21分，那就不一样了--这是阿尔法:)这样的归国人员划分矩阵当初是怎么来的？矩阵显示，一个 "过程 "会得到更多的负面回报，而另一个则会得到更多的正面回报，它的结果怎么会和随机漫步也不一样？当然，一个过程会得到更多的负面回报，另一个会得到更多的正面回报？

不是那么简单。回顾阿列克谢的 帖子。

另一个现象是长期记忆。

我们大多数人（当然是那些做的人）都习惯于用皮尔逊相关来衡量市场记忆，更确切地说，是自相关。众所周知，这种相关性是相当短暂的，而且最多滞后5-10个柱子就很明显了。因此，通常的结论是，如果市场有记忆，那也是非常短暂的。

然而，皮尔逊相关只能够测量条形之间的线性关系--而几乎忽略了它们之间的非线性关系。随机过程的相关理论不是无缘无故被称为线性的。

然而，有一些统计标准允许我们确定随机变量之间任意关系的事实。例如，卡方准则--或相互信息的准则。我还没有真正理会第二个，但我已经理会了第一个。我不会解释如何使用它：互联网上有很多手册，解释如何使用它。

主要问题是这样的：在距离较远的条状物之间（例如，如果它们之间有一千个条状物），是否存在统计关系？关于如何在交易中使用它，没有任何问题。

答案是肯定的，它确实存在，而且非常重要。

例如，如果我们把欧元兑美元的历史从1999年的H1开始，检查货币对回报的卡方，我们发现在10到6000条之间的 "距离 "范围内，在大约90%的情况下，当前条形取决于过去的条形。90%!在柱状体之间的距离超过6000的情况下，这种依存关系出现的频率较低，但仍会出现

坦率地说，我被这一 "发现 "惊呆了，因为它直接表明，欧元具有非常长期的记忆。就欧元兑美元H1而言，6000根柱子大约是一年。这意味着，在一年前的小时条形图中，仍有当前零点 "记得 "的条形图。

在H4上发现显著的依赖性，直到约1000-1500巴。也就是说，"市场记忆 "的持续时间仍然是一样的--大约一年。

记得彼得斯说过，市场记忆大约是4年。矛盾，但是...我还不知道如何解决这个问题。

还没有平静下来，我决定检查一下，如果我把独立产生的合成收益输入到我的卡方中，是否会显示这种依赖关系。我选择了两种可能的合成收益分布--正态分布和拉普拉斯分布--并运行了它。是的，它显示了，但在标准的显著性水平内（我有0.01）!换句话说，在过去，合成显示了大约1%的依赖条--只是在标准错误的概率水平。

结论是什么？

1.欧元报价绝对不是一个马尔可夫过程。在马尔可夫过程中，当前值只取决于前一个值。在我们的案例中，我们在非常遥远的过去有许多柱状物，当前的柱状物取决于这些柱状物。

2.所谓的 "基础 "当然起到一定的作用--比方说，作为移动报价的一个借口。但它肯定不是唯一的一个。我们需要看一下技术!

3.这个结果仍然是纯理论性的，没有实际意义。尽管如此，它清楚地表明，那些寻找东西的人并没有失去一切。

阿瓦尔斯，不要急于下结论......

PS：还有Alexey写的--我完全确认！！！。

1...161718192021222324252627282930...75
新评论