Diskussion zum Artikel "Mit Boxplot saisonale Muster von Finanzzeitreihen erforschen" - Seite 27
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
Ich habe mein OLAP über den Adapter für MqlRates und einige andere Updates an die Balkenanalyse angebunden. Für EURUSD M15 für den Zeitraum von 2010 bis 2019 habe ich beschlossen, den ProfitFactor-Aggregator nach Close-Open-Bar-Ranges zu berechnen, unterteilt nach Stunden und Wochentagen. Da dieser Aggregator das Verhältnis von positiven Beträgen zu negativen Beträgen angibt, können seine Maximal- (größer als 1) und Minimalwerte (kleiner als 1) als geeignet für den Kauf bzw. Verkauf interpretiert werden (für den Verkauf muss man vom angezeigten PF kleiner als 1 den Kehrwert von 1/PF nehmen, um die Rentabilität des Verkaufs zu erhalten). Hier ist das Protokoll (ich habe kein Diagramm erstellt):
Jede Linie hat PF, Stunde und Wochentag. Markiert sind die attraktivsten Optionen. Sie können sehen, dass es empfohlen wird, bei 23 zu verkaufen und von 0 bis 4 an fast allen Tagen zu kaufen.
T9
OK, akzeptiert.
zum Thema, gut, als ob alles mit der Theorie fertig ist, dann was zu warten? ;)
OK, verstanden.
zum Thema, na ja, wenn alles mit der Theorie fertig ist, worauf soll man dann noch warten? ;)
Das ist eine ganz normale Idee. Sie können zeichnen und berechnen) Zeichnen - Streudiagramm, berechnen - Korrelationskoeffizient und seine Bedeutung.
Ich habe etwas ökonometrischen Kretinismus in Bezug auf Preissteigerungen. Ich habe Diagramme und Hitmaps gezeichnet und Schlussfolgerungen gezogen. Aber die Feinheiten des Seins nicht verstanden, zum Beispiel, haben:
Korrelation der stündlichen Einzelinkremente - es gibt keine Regelmäßigkeiten, was normal ist.
mit einer Verzögerung von 10 gibt es, na ja, und je mehr die Verzögerung, desto mehr Korrelation zwischen einzelnen Uhren oder Gruppen.
Aber wir stellen fest, dass die Verzögerung > 1 in zwei Richtungen geht - einerseits nimmt sie zu, andererseits nimmt sie beispielsweise ab. Das heißt, wir müssen uns die Geschichte ansehen und eine separate Statistik durchführen oder sie irgendwie in die aktuelle Statistik einbeziehen.
Wenn wir zum Beispiel ein positives Inkrement mit einer Verzögerung von 10 haben, sagen wir mit hoher Wahrscheinlichkeit denselben Inkrementwert für den nächsten Balken voraus. Das bedeutet natürlich nicht, dass der Preis auf demselben Niveau liegen muss. Schauen wir 10 Balken zurück und subtrahieren den -9. Balken vom -10. Balken, dann addieren wir die Differenz zum letzten Null-Balken und erhalten eine korrekte Vorhersage? Wie baue ich dies in die Analyse ein? .... Ich schwebe. D.h. die tatsächliche Ausgabe in einem statistischen Äquivalent zu berechnen, probabilistisch oder etwas anderes. Um irgendwie wissenschaftlich zu sein.)
Oder ist das eine falsche Denkweise?
Es ist zum Beispiel leicht, solche Diagramme im Abstand von 5 Jahren mit einer Verzögerung von 25 Jahren für einige Stunden zu erhalten.
H.I.: Ich glaube, ich verstehe. Es ist notwendig, die vorhergesagte Reihe von Inkrementen nach Stunden wiederherzustellen (sie wird gemittelt) und sie mit der ursprünglichen Reihe zu vergleichen. Die Signale werden als Delta dargestellt. Zur Verdeutlichung können wir die gleichen Boxplots verwenden.
Theoretisch ist das eine Art Gral. Praktisch sehen wir es uns an. Der Vorhersagefehler ergibt sich nur aus der Streuung der Punkte im Streudiagramm, er ist mystisch.
mit einer Verzögerung von 10, und je größer die Verzögerung ist, desto größer ist die Korrelation zwischen einzelnen Uhren oder Gruppen.
Was ist eine Verzögerung in diesem Fall? Die Inkremente des 7-Stunden-Balkens von vor zehn Tagen korrelieren mit den Inkrementen des 8-Stunden-Balkens des aktuellen Tages?
Was ist die Verzögerung in diesem Fall? Haben die Inkremente des 7-Stunden-Balkens von vor zehn Tagen eine Beziehung zu den Inkrementen des 8-Stunden-Balkens des aktuellen Tages?
Lag = verzögerter Schlusskurs, z. B. 0-Bar geteilt durch den 10-Bar. 1-Schluss[0]/Schluss[10]
Es hat sich gezeigt, dass das Inkrement der aktuellen Stunde stark mit dem Inkrement der vorherigen Stunde korreliert ist. Je größer die Verzögerung, desto größer die Korrelation, für bestimmte Stunden korreliert 1-close[0]/close[10] mit 1-close[1]/close[11]
lag = verzögerter Schlusskurs, z. B. 0 bar geteilt durch den 10. bar. 1-Schluss[0]/Schluss[10]
Es hat sich gezeigt, dass der Zuwachs der aktuellen Stunde stark mit dem Zuwachs der vorangegangenen Stunde korreliert ist. Je größer die Verzögerung, desto größer die Korrelation, für bestimmte Stunden korreliert 1-close[0]/close[10] mit 1-close[1]/close[11]
Eine hohe Korrelation ist also rein mathematisch bei jeder Reihe mit dieser Art von Verzögerung zu beobachten. Nehmen Sie SB zur Überprüfung.
Es ist nicht gut, wenn sich ein Intervall von einer Reihe mit einer anderen überschneidet. D.h. 0-10 überschneidet sich mit 1-11.
Ich habe es nicht nach Inkrementen, sondern nach Vorzeichen ab Anfang 2014 durchgeführt. Bestes Ergebnis
Es gibt keine Verbindung durch Vorzeichen auf H1.
Rein mathematisch wird also bei jeder Reihe mit dieser Art von Verzögerung eine hohe Korrelation beobachtet. Nehmen Sie SB zur Überprüfung.
Wenn Sie die Volatilitätsclusterung entfernen, ist der BP bei Schlusskursen bereits SB, also glaube ich es.
Aber es ist trotzdem interessant, und es stellt sich heraus, dass nicht alle Stunden die gleiche Korrelationszunahme/-abnahme haben, wenn sich die Verzögerung ändert. Ich denke, wir müssen den minimalen robusten Lag finden.
Wenn man das Clustering der Volatilität entfernt, ist der BP zu Schlusskursen bereits SB, also glaube ich, dass er
Aber es ist immer noch interessant, und es stellt sich heraus, dass die Korrelation nicht für alle Stunden gleich ansteigt und fällt, wenn sich die Verzögerung ändert. Ich denke, wir müssen den minimalen robusten Lag finden.
Man kann die Korrelation mit einem gleitenden Fenster messen. Und dann seine statistischen Eigenschaften betrachten. Ich denke, es wird viel schwanken.