Diskussion zum Artikel "Die Berechnung des Hurst-Exponenten" - Seite 3
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Zum Beispiel das FGN-Paket mit der Funktion HurstK(z), die eine nichtparametrische Schätzung des Hurst-Koeffizienten liefert , die einen viel genaueren Wert ergibt.
Ersetzen Sie den Ausdruck "Hurst-Koeffizient" in dem hervorgehobenen Satz beispielsweise durch "Pearson-Korrelationskoeffizient", und dann werden Sie vielleicht die Lächerlichkeit der hervorgehobenen Aussage spüren. Ersetzen Sie z. B. den Ausdruck "Hirst-Koeffizient" durch "Pearson-Korrelationskoeffizient", und dann fühlen Sie vielleicht die Lächerlichkeit der hervorgehobenen Aussage.
Ich werde das nicht begründen, da alle meine Beiträge eigentlich an den Autor des Artikels gerichtet waren.
Ich habe mir sein Profil angesehen, und mein Eindruck ist, dass der Mann dazu neigt, ein gewisses Niveau seiner Argumentation und seines Handelns zu liefern. Am Beispiel der Hirst'schen Berechnung habe ich versucht, dem Autor des Artikels zu vermitteln, dass das Niveau des Artikels NUR unter Berücksichtigung bereits vorliegender Ergebnisse in dem betreffenden Bereich angegeben werden kann. Und dieses Niveau, der Bezugspunkt, der Herd, an dem man tanzt, ist genau das, was R gibt. Es ist möglich, ein anderes System zu nehmen, zum Beispiel Python, andere bezahlte..... Aber auf jeden Fall sollte man nicht so tun, als ob dies das erste Wort zum Thema in diesem Artikel wäre.
An allem anderen war ich nicht interessiert.
Ich werde das nicht begründen, da alle meine Beiträge in Wirklichkeit an den Autor des Artikels gerichtet waren.
Lesen Sie meinen Kommentar oben. Wenn man Pearson in den Satz einfügt, wird er aus irgendeinem Grund lächerlich. Wenn wir Hearst einfügen, wird er nicht lächerlich. Was hat das mit der Sache zu tun?
Offenbar, weil Pearson ein eindeutiger Algorithmus für Berechnungen ist. Und Hearst ist genau so käsig.
Es gibt Hearst-DmitriyPiskarev, es gibt Hearst-R und es gibt viele andere. Das Lustige daran ist, dass man sie nicht vergleichen kann, weil es kein Vergleichskriterium gibt, wenn es keine klare Definition gibt.
Deshalb ist es komisch, wenn Leute sagen, dass eine Hirst-Variante genauer ist als eine andere. Es handelt sich einfach um unterschiedliche Werte, die aufgrund eines historischen Missgeschicks als das Gleiche bezeichnet werden - Hearst.
Lesen Sie meinen obigen Kommentar. Wenn wir Pearson in einen Satz setzen, wird er aus irgendeinem Grund lächerlich. Und wenn wir Hearst hineinsetzen, wird er nicht lächerlich. Was hat das damit zu tun?
Offenbar, weil Pearson ein klarer Algorithmus zum Rechnen ist. Und Hearst ist genau so käsig.
Es gibt Hearst-DmitriyPiskarev, es gibt Hearst-R und es gibt viele andere. Das Lustige ist, dass man sie nicht vergleichen kann, weil es kein Vergleichskriterium geben kann, wenn es keine klare Definition gibt.
Deshalb ist es komisch, wenn Leute sagen, dass eine Hirst-Variante genauer ist als eine andere. Es handelt sich einfach um unterschiedliche Werte, die aufgrund eines historischen Missgeschicks als das Gleiche bezeichnet werden, nämlich als Hearst.
Ich stimme Ihnen absolut zu, dass die Hirst-Sache sowohl in Bezug auf den Berechnungsalgorithmus als auch auf die Interpretation extrem vage ist
Ich schreibe über etwas ganz anderes: Wenn jemand einen Algorithmus angibt, sollte er diesen Algorithmus begründen. Ein Code, der einen falschen Algorithmus implementiert, wird auch falsch sein.
Wenn man sich den Algorithmus in dem Artikel genau ansieht, verwendet er eine lineare Regression, die von MNC geschätzt wird. Dieser Teil des Artikels hat überhaupt keinen Bezug zur Realität, denn die Schätzung der linearen Regressionskoeffizienten durch ISC ist eine BEWERTUNG von zwei Zufallsvariablen: Verschiebung "a" und Neigungswinkel "b". Hätte der Autor z.B. die Funktion lm() von R verwendet, hätte er Erstaunliches gesehen, nämlich dass der Wert von "b", den er als Wert des Hurst-Koeffizienten ansieht, nicht unbedingt auf dem Papier existiert, sondern in Wirklichkeit vielleicht gar nicht, weil die Standardfunktion lm() neben dem Wert von "b" selbst auch dessen Varianz und das Konfidenzniveau dieses Wertes angibt. Bei der linearen Regression ist das Konfidenzniveau oft viel niedriger als 90 %.
Hier ein Beispiel für eine Standard-Schätzungstabelle der linearen Regression mit vielen Variablen
Estimate Std. Error z value Pr(>|z|)
(Intercept) -338.88337 152.55692 -2.221 0.026327 *
rsi_eurusd 0.01237 0.01363 0.908 0.363934
macd_eurusd 13.94972 4.36041 3.199 0.001378 **
trix_eurusd -741.34816 148.31309 -4.999 0.00000057768 ***
sig_eurusd 1118.41702 212.31435 5.268 0.00000013811 ***
trix_eurusd_trend NA NA NA NA
trix_gbpusd 407.84268 131.29586 3.106 0.001895 **
sig_gbpusd -918.57282 202.12341 -4.545 0.00000550361 ***
trix_gbpusd_trend NA NA NA NA
trix_eurgbp 264.59572 115.74195 2.286 0.022249 *
sig_eurgbp -795.43634 159.17763 -4.997 0.00000058180 ***
trix_eurgbp_trend NA NA NA NA
trix_usdchf -76.32606 27.15637 -2.811 0.004945 **
sig_usdchf 14.28410 31.35889 0.456 0.648747
trix_usdjpy 5.42010 8.93393 0.607 0.544059
sig_usdjpy 65.28629 11.08181 5.891 0.00000000383 ***
trix_usdjpy_trend NA NA NA NA
trix_usdcad 32.76774 21.62655 1.515 0.129731
sig_usdcad -25.12268 25.27109 -0.994 0.320161
trix_usdcad_trend NA NA NA NA
fit.eurusd -72.05260 149.20763 -0.483 0.629166
fit.gbpusd -304.38920 121.47457 -2.506 0.012218 *
fit.eurgbp 253.58306 132.96820 1.907 0.056508 .
fit.usdchf -387.54743 100.37962 -3.861 0.000113 ***
fit.usdjpy 1.82458 0.41496 4.397 0.00001097684 ***
fit.usdcad -133.88962 81.83316 -1.636 0.101813
fit.eurusd.2 25.03730 160.94619 0.156 0.876377
fit.gbpusd.2 423.37220 143.07774 2.959 0.003086 **
fit.eurgbp.2 -227.97261 192.34022 -1.185 0.235916
fit.usdchf.2 426.74965 101.14174 4.219 0.00002450374 ***
fit.usdjpy.2 -2.15458 0.42133 -5.114 0.00000031587 ***
fit.usdcad.2 321.48459 86.36230 3.723 0.000197 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Nur den mit Sternchen gekennzeichneten Werten kann man mit dem angegebenen Konfidenzniveau trauen. Der Rest ist nur eine Fiktion, die Zahl ist da, aber in Wirklichkeit ist sie es nicht!
Genau darum geht es hier. Es geht um Genauigkeit und sorgfältige Beachtung jedes einzelnen Berechnungsergebnisses.
Lesen Sie meinen obigen Kommentar. Wenn wir Pearson in einen Satz setzen, wird er aus irgendeinem Grund lächerlich. Und wenn wir Hearst hineinsetzen, wird er nicht lächerlich. Was hat das damit zu tun?
Offenbar, weil Pearson ein klarer Algorithmus zum Rechnen ist. Und Hearst ist genau so käsig.
Es gibt Hearst-DmitriyPiskarev, es gibt Hearst-R und es gibt viele andere. Das Lustige ist, dass man sie nicht vergleichen kann, weil es kein Vergleichskriterium geben kann, wenn es keine klare Definition gibt.
Deshalb ist es komisch, wenn Leute sagen, dass eine Hirst-Variante genauer ist als eine andere. Es sind einfach unterschiedliche Werte, die aufgrund eines historischen Missgeschicks als dasselbe bezeichnet werden - Hirst.
СанСаныч Фоменко:
Например, пакет FGN с функция HurstK(z), в которой производится непараметрическая оценка коэффициента Херста, которая дает гораздо более точную величину.
fxsaber:
Ersetzen Sie den Ausdruck "Hurst-Koeffizient" in dem hervorgehobenen Satz z. B. durch "Pearson-Korrelationskoeffizient", und dann werden Sie vielleicht die Absurdität der hervorgehobenen Aussage spüren. zum Beispiel in "Pearson-Korrelationskoeffizient", und dann werden Sie vielleicht die Absurdität der hervorgehobenen Aussage spüren.
Ich stimme Ihnen absolut zu, dass die Sache von Hirst sowohl in Bezug auf den Berechnungsalgorithmus als auch auf die Interpretation außerordentlich vage ist
Mein Punkt ist ein ganz anderer: Wenn man einen Algorithmus angibt, sollte man diesen Algorithmus begründen. Ein Code, der einen falschen Algorithmus implementiert, wird auch falsch sein.
Wenn Sie sich den im Artikel angegebenen Algorithmus genau ansehen, verwendet er eine lineare Regression, die von MNC geschätzt wird. Dieser Teil des Artikels hat überhaupt keinen Bezug zur Realität, denn die Schätzung der linearen Regressionskoeffizienten durch ISC ist eine BEWERTUNG von zwei Zufallsvariablen: Verschiebung "a" und Neigungswinkel "b". Hätte der Autor z.B. die Funktion lm() von R verwendet, hätte er Erstaunliches gesehen, dass der Wert von "b", den er als Wert des Hurst-Koeffizienten ansieht, nicht unbedingt auf dem Papier existiert, aber in Wirklichkeit vielleicht gar nicht existiert, denn die Standardfunktion lm() gibt neben dem Wert von "b" selbst auch dessen Varianz und das Konfidenzniveau dieses Wertes an. Bei der linearen Regression ist das Konfidenzniveau oft viel niedriger als 90 %.
Hier ein Beispiel für eine Standard-Schätzungstabelle der linearen Regression mit vielen Variablen
Estimate Std. Error z value Pr(>|z|)
(Intercept) -338.88337 152.55692 -2.221 0.026327 *
rsi_eurusd 0.01237 0.01363 0.908 0.363934
macd_eurusd 13.94972 4.36041 3.199 0.001378 **
trix_eurusd -741.34816 148.31309 -4.999 0.00000057768 ***
sig_eurusd 1118.41702 212.31435 5.268 0.00000013811 ***
trix_eurusd_trend NA NA NA NA
trix_gbpusd 407.84268 131.29586 3.106 0.001895 **
sig_gbpusd -918.57282 202.12341 -4.545 0.00000550361 ***
trix_gbpusd_trend NA NA NA NA
trix_eurgbp 264.59572 115.74195 2.286 0.022249 *
sig_eurgbp -795.43634 159.17763 -4.997 0.00000058180 ***
trix_eurgbp_trend NA NA NA NA
trix_usdchf -76.32606 27.15637 -2.811 0.004945 **
sig_usdchf 14.28410 31.35889 0.456 0.648747
trix_usdjpy 5.42010 8.93393 0.607 0.544059
sig_usdjpy 65.28629 11.08181 5.891 0.00000000383 ***
trix_usdjpy_trend NA NA NA NA
trix_usdcad 32.76774 21.62655 1.515 0.129731
sig_usdcad -25.12268 25.27109 -0.994 0.320161
trix_usdcad_trend NA NA NA NA
fit.eurusd -72.05260 149.20763 -0.483 0.629166
fit.gbpusd -304.38920 121.47457 -2.506 0.012218 *
fit.eurgbp 253.58306 132.96820 1.907 0.056508 .
fit.usdchf -387.54743 100.37962 -3.861 0.000113 ***
fit.usdjpy 1.82458 0.41496 4.397 0.00001097684 ***
fit.usdcad -133.88962 81.83316 -1.636 0.101813
fit.eurusd.2 25.03730 160.94619 0.156 0.876377
fit.gbpusd.2 423.37220 143.07774 2.959 0.003086 **
fit.eurgbp.2 -227.97261 192.34022 -1.185 0.235916
fit.usdchf.2 426.74965 101.14174 4.219 0.00002450374 ***
fit.usdjpy.2 -2.15458 0.42133 -5.114 0.00000031587 ***
fit.usdcad.2 321.48459 86.36230 3.723 0.000197 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Nur den mit Sternchen gekennzeichneten Werten kann man mit dem angegebenen Konfidenzniveau trauen. Der Rest ist nur eine Fiktion, die Zahl ist da, aber in Wirklichkeit ist sie es nicht!
Genau darum geht es hier. Es geht um Genauigkeit und um die sorgfältige Beachtung jedes einzelnen Berechnungsergebnisses.
Bevor man irgendwelche Schlussfolgerungen zieht, muss man verstehen, aus welchen Daten die Regression berechnet wird.
San Sanych, es tut mir leid, aber du hast wirklich die Nase voll von deinen "Expertenurteilen". Von deiner Seite aus kannst du überhaupt nichts sehen, außer dem ewigen Kleben an irgendeinem R. Stell doch wenigstens mal irgendwo einen MQL-Code ein, damit klar wird, dass du etwas verstehst.
Maxim, ich danke Ihnen für Ihren Kommentar!
Ja, Sie haben Recht, natürlich ist die Berechnung des Hurst-Koeffizienten nur eine Grundlage, um zumindest eine Vorstellung von der Anwendung einer Art von Matrixstatistik bei der Untersuchung von Zeitreihen zu bekommen. Ich schließe mich Ihrer Bemerkung an und denke auch, dass es naiv und falsch wäre, nur die Koeffizientenanalyse für die Prognose der Marktdynamik zu verwenden. Natürlich ist es notwendig, eine Strategie auf der Grundlage von aggregierten Indikatoren und unter Verwendung verschiedener Indikatoren und Quellen zu entwickeln.
Im nächsten Artikel werde ich Ihnen auf jeden Fall mein richtiges Verständnis der Fraktalanalyse zeigen.
Nochmals vielen Dank für Ihren Kommentar.
P.S. Ich wurde gebeten, einen Überblick über die MT5-Tools für solche Analysen zu geben. Ich habe die Gelegenheit genutzt, um sie zu bewerben.