Diskussion zum Artikel "Gescheites "Marktgedächtnis" durch Differentiation und Entropieuntersuchung" - Seite 7

Neuer Kommentar
 
Alexander_K:

Als Referenz:

Ich werde den ganzen Artikel lesen, danke. Und auch die Links aus diesem Artikel.

Es ist interessant, wenn man zufällige Inkremente aufzeichnet (nun, pseudozufällig natürlich), dann ist es visuell nicht von echten Graphen zu unterscheiden. Allerdings variiert ihre Dichte auch zufällig. Und das scheint keinen Nutzen zu haben. Obwohl es genauso aussieht :)

Zufälligkeit

Excel-Datei mit Arbeitsbeispiel hinzugefügt

 
Aleksei Stepanenko:


Interessant ist, dass, wenn man zufällige Inkremente aufzeichnet (natürlich nur pseudozufällig), diese visuell nicht von echten Graphen zu unterscheiden sind. Allerdings variiert ihre Dichte auch zufällig. Und das scheint keinen Nutzen zu haben. Obwohl es genauso aussieht :)

Ich habe eine der Sequenzen überprüft:

Am Ende weiß ich nicht, was du da hast - irgendein Fehler, ich habe es nicht analysiert.

Aber im Allgemeinen ist es ein regelmäßiger Gauß'scher Zufallsprozess, ohne jegliche Periodizität in der Varianz, und es ist ziemlich problematisch, damit zu gewinnen, aber man kann es.

Der Unterschied zum echten BP ist einfach kolossal.

 

Sehr interessant, und die Verbindung - ein paar Zeilen am Ende der Tabelle sollten gelöscht werden. Ich habe die Änderungen vorgenommen.

Alexander_K:

Der Unterschied zum echten BP ist enorm.

Und bauen Sie einen Indikator auf diesen Unterschied :)

 
Aleksei Stepanenko:

Und erstellen Sie einen Indikator für diesen Unterschied :)

Bauen Sie ihn :)))))

Wenn es nur so einfach wäre, einige Leute hier kämpfen schon seit 15(!!!) Jahren mit dieser Aufgabe.

Jemand findet es natürlich und springt sofort von diesem Forum ab.

 
Alexander_K:

15(!!!) Jahre haben sie sich mit dieser Aufgabe herumgeschlagen. Jemand findet es natürlich und springt sofort von diesem Forum ab.

Hallo, Nirwana!

 
Aleksei Stepanenko:

Ich werde sie alle lesen, danke. Und die Links aus diesem Artikel auch.

Es ist interessant, wenn man zufällige Inkremente aufzeichnet (nun, pseudozufällig natürlich), dann ist es visuell nicht von echten Graphen zu unterscheiden. Allerdings variiert ihre Dichte auch zufällig. Und das scheint keinen Nutzen zu haben. Obwohl es genauso aussieht :)

Ich habe eine Excel-Datei mit einem funktionierenden Beispiel hinzugefügt

Und wenn Sie diesen Chart als Minuten-Chart in mt5 laden und auf den Zeitrahmen m15 oder n1 umschalten, können Sie ihn nicht mit dem Auge vom Marktchart unterscheiden, ich habe es überprüft.
 
Maxim Romanov:
man kann den Unterschied zum Markt mit dem Auge gar nicht erkennen.

Danke, das ist großartig!

Aber es gibt Unterschiede in den Diagrammen. Die Excel-Formel erzeugt zufällige Inkremente, und die Häufigkeit des Auftretens dieser Inkremente ist ungefähr gleich. Sie können visuell erkennen, dass es im Marktdiagramm eine kleine Anzahl von Inkrementen mit sehr großer Größe (Bewegung) gibt. So sieht es also aus :)

 
Maxim Dmitrievsky:

Ich habe bereits im MO-Thema geschrieben, dass dies in einem Schritt mit Hilfe der inversen Lambert-Transformation geschehen soll

aber die Matrix ist zu kompliziert für mich https://www.hindawi.com/journals/tswj/2015/909231/

Es gibt zwar Pakete für R und Py

Es gibt ein Paket in R (LambertW) und es "gaussianisiert" perfekt. Unten sind die Charts von EURUSD/M20 roh und "gaussianisiert" logreturn.

require(LambertW)
set.seed(12358)
y1 <- diff(log(pr$close), 3)*100
out <- Gaussianize(y1, return.tau.mat = TRUE)
x1 <- get_input(y1, c(out$tau.mat[, 1]))  # same as out$input
test_normality(tail(y1, 4000)) 
test_normality(tail(x1, 4000)) # Gaussianized

kfc

Abb.1 Logreturn-Rohdaten

pfgishftschiau

Abb.2 Verarbeitete Daten

[Gelöscht]  
Vladimir Perervenko:

Es gibt ein Paket in R (LambertW) und es "gaussianisiert" perfekt. Unten sind die Charts des EURUSD/M20 Logreturn roh und "gaussianisiert".

Abb.1 Logreturn-Rohdaten

Abb.2 Verarbeitete Daten

Nun, konvertieren Sie zurück in Kotir und nehmen Sie dann die Bruchteile der Renditen aus dem Artikel und Sie erhalten, was Alexander so untröstlich macht. Idee.

 
Vladimir Perervenko:

Es gibt ein Paket in R (LambertW) und es "gaussianisiert" perfekt. Unten sind die Charts des EURUSD/M20 Logreturn roh und "gaussianisiert".

Abb.1 Logreturn-Rohdaten

Abb.2 Verarbeitete Daten

Können Sie erklären, warum man "Gauß"-Anführungszeichen verwendet, welche Vorteile das haben soll usw. und wie man mit neuen Daten umgeht? Wie kann man mit neuen "eingehenden" Daten mit dieser Methode arbeiten?

123456789101112
Neuer Kommentar