Zufallsstromtheorie und FOREX - Seite 13
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 bezweifle, dass wir über Geschwindigkeit sprechen können, geschweige denn über Beschleunigung... zumindest in der gleichen Weise wie die Geschwindigkeit und Beschleunigung von Flugzeugen.
Ich stimme zu, dass Geschwindigkeit und Beschleunigung unterschiedlich sind. Aber sie sind sowohl dort als auch dort. Dieser Ansatz ermöglicht eine Vorhersage
Aber dann würde sich die Frage der Portfolioprüfung in vollem Umfang stellen - und wieder einmal wird das Problem immens :-(.
Aus Ihrem Artikel "Speed estimation under foreshortening":
Д(t),V(t),a(t) – детерминированные составляющие соответственно дальности, скорости и ускорения;
DV(t), Da(t) sind Schwankungskomponenten der Geschwindigkeit und der Beschleunigung;
Hier ist ein offener Presseartikel (im Anhang), in dem am Ende des Artikels über unsere Forschung berichtet wird. Und die ACF von realen TDS aus der Luft (Dopplerfrequenz-Trajektorien) ist gegeben (die Dopplerfrequenz ist direkt proportional zur Geschwindigkeit), siehe Abb. 9. Vergleichen Sie sie visuell mit dem von mir veröffentlichten ACF ('Random Flow Theory and FOREX' oder hier 'Random Flow Theory and FOREX' ). Als ich diese Kurve sah, traute ich meinen Augen nicht, ich habe sie 20 Mal überprüft (ich habe sie mit verschiedenen Methoden erstellt, jetzt habe ich sie mit der dritten Methode überprüft, es gibt keinen Fehler).
Alpha, Beta und Sigma, die gerade in Form von ACF (die in diese Gleichungen eingesetzt werden) festgelegt wurden, sind ein Trägheitsglied zweiter Ordnung. Physikalisch gesehen führt er seine Schwingungen um ein bestimmtes Niveau aus, wenn keine externe Energie hinzukommt, werden die Schwingungen gedämpft. Wenn ein Impuls kommt, kann sie (die Oszillation) sich auf ein neues Niveau bewegen, und sie wird wieder oszillieren.
Wenn Sie die Abtasttiefe variieren, entstehen unterschiedliche Schwingungen (schnell, langsam, etwa so wie im Artikel beschrieben), d.h. die Gesamtbewegung setzt sich aus all diesen Schwingungen mit unterschiedlichen (alpha, beta, sigma) zusammen. Multidimensionalität und Multidimensionalität der Bewegung.
Bei einer optimalen Verarbeitung muss für jede Schwingung ein anderer Filter verwendet werden. Aber das ist eine unendliche Anzahl von Kalman-Filtern ;-(. Ich habe bereits geschrieben, dass jeder von uns unterschiedliche Details dieses Prozesses benötigt, um einen TS zu bauen. Und jemand, sagen wir, will die Beziehung der verschiedenen Währungen zu betrachten (analog zu den Master-Slave in diesem Artikel), gibt es eine Korrelation zwischen ihnen und das kann auch in das Modell gesetzt werden, schätzen Sie diese Bewegung und richten Sie die Energie der Forex zu Ihrer Tasche, nicht alle, ein wenig Prise und genug :-).
P.S. Ich habe Zweifel an der Formel (10), irgendetwas passt da nicht. Und auch im Buch scheint es ein Druckfehler zu sein. Ich bin deshalb zu Tichonow gegangen, aber seine Ideen sind lebendig, und es gibt seine Schüler, Charisow und Jarlykow, es ist schwierig, sie in der Akademie zu finden, als letzten Ausweg werde ich zu Bogdanow in Twer gehen (Autor dieses Artikels und Betreuer dieser Arbeit und meiner Dissertation zugleich).
Für einen Quotationsprozess (und sogar dessen erste Differenz) ist dies höchst fragwürdig, da der Prozess selbst nicht stationär ist, geschweige denn ergodisch. Zweitens:
Wo haben wir Normalität, Prival?
1. Für einen Quotientenprozess (und sogar seine erste Differenz) ist dies sehr zweifelhaft, da der Prozess selbst nicht stationär, geschweige denn ergodisch ist.
2. Wie weit sind wir mit der Normalität, Prival?
Der ACF wurde für Y-mu konstruiert, d. h. der "Trend" mu=y(x)=a+b*x wurde zuvor aus dem Quotierungsprozess entfernt, somit ist die MOG des Prozesses = const (eine der Stationaritätsbedingungen 0 in unserem Fall). Für Kalman ist es kein Problem, den "Trend" zu bestimmen - das ist die abweichende Geschwindigkeitskomponente. Der Rest nach Abzug des "Trends" ist die Fluxationskomponente der Geschwindigkeit. Ich stimme zu, dass die Fluktuationskomponente kein ergodischer Prozess ist, aber es gibt Bereiche, in denen sie der oszillatorischen Verbindung entspricht, und ich denke, dass es viele davon in der Geschichte geben wird (was als flach bezeichnet wird). Es gibt einige Abschnitte, die nicht übereinstimmen, das bedeutet, dass ein anderes Modell für den Filter verwendet werden sollte. Es sollte viele solcher Filter geben, idealerweise unendlich viele. Als ich versuchte, die Physik zu erklären, sagte er: "Wie bei einem Empfänger dreht man den Knopf, um einen Sender (Trend) einzustellen und ihn dort zu halten. Einen Sender verloren, den Knopf gedreht, bis es aha Nachrichten klingelt, die Nachrichten abgearbeitet, wieder weg, weiter gedreht. So, das war's. Aber es ist komplizierter und besteht aus Formeln".
Wenn ein Strom von Kursen dem beigefügten Modell entspricht, dann ist alles in Ordnung, wir hören auf die Nachrichten, den Trend, die Wohnung, usw. Wenn das Signal verschwindet (die Diskrepanz am Filterausgang übersteigt einen Schwellenwert), brauchen wir nur einen Knopf zu drehen und aus den verbleibenden 99 (Milliarden-1) einen Filter zu suchen, der dem aktuellen Prozess (dem darin eingebetteten Modell) besser entspricht.
Das einzige, was ich beachten will, dass niemand Kotelnikovs Theorem aufgehoben hat, wenn die Zitate in 1 Mal in der Minute kommen (wir arbeiten nach den Minuten), dass die Prozesse, die uns für die Forschung zugänglich sind, die Periode mindestens 2 Minuten haben, in der Praxis ist es besser, dass die Häufigkeit der Probenahme in 5-8 Mal über der maximalen Häufigkeit ist. Wenn Sie die Arbeit von TS auf Nachrichten projizieren (konzentrieren), dann sollten wir auf Zecken umsteigen.
2. Wahrscheinlich gibt es eine Normalität, lesen Sie aufmerksam die Bedingung, die besagt "ein gerader horizontaler Flug", es bedeutet MOJ=const und ändert sich nicht, egal welchen Abschnitt dieses Zeitintervalls wir nehmen. Suchen Sie einen solchen Bereich auf den Kursen und sehen Sie nach (+-1 Pips innerhalb einer Stunde bei MOJ=const). Keine Sorge wegen der Pause :-) Überflüssige Formulierung im Artikel, die nichts mit dem Kern der Forschung zu tun hat.
Und im Allgemeinen tun mir die Finger weh :-) Kopfhörer aufsetzen.
Sie müssen einen Kolman-Filter in MQL erstellen. Hier sehen Sie, wie er in MathCad aussieht
Indizes "T", "-1" - Transponierungsoperationen, Berechnung der inversen Matrix. All dies sind Matrizen (Arrays) und müssen entsprechend der Matrixalgebra programmiert werden http://alglib.sources.ru/matrixops/
Es gibt Fragmente von C-Codes, aber sie müssen überprüft werden. In Matkadel funktioniert alles.
Ich weiß nicht, ob ich das bei der Arbeit machen kann, aber es ist eine würdige Aufgabe für einen Meister, vielleicht in meiner Freizeit. Ziel ist die maximale Geschwindigkeit und Genauigkeit der Berechnung. Ganzzahlige Matrix vom Typ H (bestehend aus 0 oder 1). Der Rest ist doppelt.
Ich werde versuchen, eine detaillierte Schritt-für-Schritt-Anleitung zu schreiben (ich habe Erfahrung in der MQL-Programmierung).
Das bedeutet, dass 10-100 Milliarden Kalman-Filter parallel arbeiten und jeder von ihnen Kurse empfängt. Wenn der Kursfluss dem verschachtelten Modell entspricht, ist alles in Ordnung, wir hören auf Nachrichten, Trend, Flat, usw. Liegt kein Signal vor (die Diskrepanz am Filterausgang übersteigt den Schwellenwert), müssen wir aus den verbleibenden 99 (Milliarden-1) Filtern denjenigen auswählen, der dem laufenden Prozess (dem darin enthaltenen Modell) am besten entspricht.
Das Hauptproblem beim Handel ist, dass zu dem Zeitpunkt, zu dem das Modell mehr oder weniger zuverlässig erkannt wird, die Wahrscheinlichkeiten für seine Fortsetzung und seinen Zusammenbruch ungefähr gleich groß sind. Ich befürchte, dass diese Regel für alle 10-100-Milliarden-Kalman-Filter gelten wird.
Das bedeutet, dass 10-100 Milliarden Kalman-Filter parallel arbeiten und jeder von ihnen Kurse empfängt. Wenn der Kursfluss dem verschachtelten Modell entspricht, ist alles in Ordnung, wir hören auf Nachrichten, Trend, Flat, usw. Wenn das Signal verschwindet (Diskrepanz am Filterausgang übersteigt den Schwellenwert), müssen wir nur noch aus den verbleibenden 99 (Milliarden-1) Filtern denjenigen suchen, der dem laufenden Prozess (dem darin eingebetteten Modell) am besten entspricht.
Das Hauptproblem beim Handel besteht darin, dass zu dem Zeitpunkt, zu dem ein Modell mehr oder weniger zuverlässig erkannt wird, die Wahrscheinlichkeiten für seine Fortsetzung und seinen Zusammenbruch ungefähr gleich groß sind. Ich befürchte, dass diese Regel auch für alle 10-100m Kalman-Filter gelten wird.
Nun, ich denke, das ist eine übertrieben harte Aussage. In der Tat gibt es keine Studien, die Statistiken über die Lebensdauer von Modellen liefern. Außerdem gibt es keine Daten über die Menge an Informationen (=Verzögerungszeit), die erforderlich ist, um ein Modell zu erkennen. Selbst diejenigen, die diese Modelle einführen und verwenden, ziehen es vor, solche Studien nicht durchzuführen oder zu veröffentlichen. Es wird davon ausgegangen, dass das Modell erkannt wird, bevor die Wahrscheinlichkeiten ausgeglichen sind, wenn die Strategie einen positiven Wert hat.
Und es gibt solche Strategien, lebendige Strategien. Sehen Sie besser hin. Sein Expert Advisor macht genau das, was ich in meinen implementieren wollte - er erkennt die Wendepunkte und steigt am Anfang der Welle ein. Und sie bewegt sich sowohl nach oben als auch nach unten. Hier haben Sie eine Prognose und die Anerkennung vor.
Zum Programm von Prival würde ich Folgendes sagen: Es ist interessant, es gibt eine Idee, die Parallele ist nicht so weit entfernt. Leider habe ich die Mathematik nicht verstanden, ich habe viel zu tun, aber wenn die Übergangsmatrix nicht etwas Festes ist, gibt es vielleicht eine Lösung auf diese Weise. Aber der rechnerische Teil muss weniger ausufernd sein. Wenn nur ein direkter Rechenvorgang die Berechnung von 10-100 Milliarden Filtern erfordert, können wir die Ticks vergessen. Und es gibt auch das umgekehrte Problem: Wir müssen die Parameter irgendwie an die sich ändernden Marktbedingungen anpassen.
Daher ist es notwendig, die Ressourcen sowohl in Bezug auf den Speicher als auch auf die Rechenzeit genau abzuschätzen. Andernfalls können wir einen Berechnungszyklus von 5-10 Stunden erhalten. Was werden dann die Nachrichten sein? Alles, was wir tun müssen, ist Tage oder Wochen lang zu spielen. :-)
Es gibt Varianten der Konstruktion des adaptiven F, zu denen man übergeht, wenn die parallele Berechnung mehrerer Filter den Rechenaufwand der Anpassung übersteigt. d.h. die Matrix F(t,ACF,L) hängt von der Zeit, den ACF-Parametern und L - einigen Eigenschaften der Strömung ab. Aber das ist bereits die Domäne der nichtlinearen Filterung. Ich möchte vorerst innerhalb der Grenzen der linearen Filtration bleiben. Wählen Sie Statistiken für ACF in typischen Bereichen (ruhiger Markt, Sitzungseröffnung, Pressemitteilung, mehrere Trends mit verschiedenen Parametern, mehrere Flöten mit verschiedenen Parametern). Wie man sagt, ziehen Sie die Fäden, um zu sehen. Ich denke, etwa 10-16 Filter werden genug sein, wenn eine Diskrepanz erscheint, eine Abweichung vom Modell, sollte eine Entscheidung getroffen werden (kritischer Punkt des Marktes - Entscheidungspunkt). Wechseln Sie an dieser Stelle zu statistischen Wald-Entscheidungsfunktionen. Irgendwie habe ich bis jetzt noch nicht auf alle Fragen eine Antwort, nur einen klaren Weg und ein Ziel.
Ja, was die Erkennungszeit betrifft, so hängt diese von der Qualität der Merkmale und der Menge der Modelle ab. Sie kann sofort erfolgen. Beispiel (sagen wir, in der Menge) gibt es 2 Filter, die für die Arbeit mit Lücke (1 oben 1 unten). Die Auswahl aus der Gesamtheit der Modelle ist eindeutig + das Merkmal ist ziemlich stark :-).