So what? Why do we care about stationarity? A stationary time series (TS) is simple to predict as we can assume that future statistical properties are the same or proportional to current statistical properties.Most of the models we use in TSA assume covariance-stationarity (#3 above). This means the descriptive statistics these models predict...
朋友们,几乎没有交易,是时候进入理论了。在画了一幅有趣的图画之后,让我们讨论一下在一个渠道中工作的问题。
我的拙见是,信道是一种辅助工具,作用是确认以其他方式收到的信号。
惠普渠道
所有这些渠道、趋势等等都是胡说八道。这一切在历史上看起来很好,而未来则隐藏在NESTATION的迷雾后面。
或者我们总是记得 非平稳性,并寻找反对非 平稳性 的工具,然后应用这些工具,否则我们就会失去存款。
1.我们根据模式进行交易(一个通道也是一个模式)。我们采取TA+大脑(经验)--最有希望的,也许会赢。或者我们采取MO,自动寻找模式...然后,我们必须找到输入数据,这些数据应该再次为目标变量产生稳定的模式。主要问题不是模式搜索算法,而是为这些模式寻找输入数据的能力。经验表明,大约有30个这样的输入数据(多变量)。在这个数字上,原则上有可能搜索到多变量的渠道。这有必要吗?
2.统计学(Matlab中的"计量经济学"工具箱)。GARCH。将原始序列转换成静止的,现在分三步走。 直到最后,没有人能够从模型中获得静止的残差。而如果残留物是非稳定的,总有一种情况会耗尽库房。
直到最后,没有人成功地从模型中获得静止的残差。而如果残留物不稳定,总有一种情况会耗尽储量。
你把 "我们都会流失 "这句话用如此艰难的方式来掩饰。
主要问题不是模式寻找算法,而是寻找这些模式的原始数据的能力。经验表明,大约有30个这样的输入(多货币)。
你能说得更具体些吗?哪30个输入数据含有模式?
下面是模型从线性到垃圾的演变过程
也许有人需要用Python来解决例子,看看为什么通道不工作。
基本前提是,任何非线性(非稳态意义上的)都应该是附加的,因为它不收敛于均值......好像一切都那么微不足道,很难相信计量经济学 已经超越了伯努利的思想或其他......高斯的想法。
http://www.blackarbs.com/blog/time-series-analysis-in-python-linear-models-to-garch/11/1/2016
这就是交易测试的情况
所以要自动化。
我不是程序员,交易是在sh4上完成的,所以你也可以用你的手慢慢交易
所以我们不能相信你的结果,因为它可能是随机的:)
胡说八道,所有这些渠道、趋势等等......。这一切在历史上看起来很好,但未来却隐藏在不稳定的迷雾后面。
要么我们始终记得 非平稳性,并寻找反对 非平稳性 的工具,然后加以应用,要么我们失去我们的存款。
1.我们根据模式进行交易(一个通道也是一个模式)。我们采取TA+大脑(经验)--最有希望的,也许会赢。或者我们采取MO,自动寻找模式...然后,我们必须找到输入数据,这些数据应该再次为目标变量产生稳定的模式。主要问题不是模式搜索算法,而是找到这些模式的原始数据的能力。经验表明,大约有30个这样的输入数据(多变量)。在这个数字上,原则上有可能搜索到多变量的渠道。这有必要吗?
2.统计学(Matlab中的"计量经济学"工具箱)。GARCH。将原始序列转换成静止的,现在分三步走。 直到最后,没有人能够从模型中获得静止的残差。而如果残留物是非稳定的,总有一种情况会耗尽库房。
你是对的......我没有要求什么)))但我提出的观点是,你可以写一个猫头鹰......看到结果会很有趣。
我完全同意。渠道、趋势在很大程度上是事后的,只是我们对已经建立的故事进行理解的通常方式。需要计算移动概率分布- 这将提供更可靠的信息。但在这里,非平稳性也混淆了牌。
我完全同意。渠道、趋势在很大程度上是事后的,只是我们对已经建立的故事进行理解的通常方式。需要计算移动概率分布 - 这将提供更可靠的信息。但在这里,非平稳性也混淆了牌。