Diskussion zum Artikel "Kategorientheorie in MQL5 (Teil 22): Ein anderer Blick auf gleitende Durchschnitte"
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
Neuer Artikel Kategorientheorie in MQL5 (Teil 22): Ein anderer Blick auf gleitende Durchschnitte :
In diesem Artikel versuchen wir, die in dieser Reihe behandelten Konzepte zu vereinfachen, indem wir uns auf einen einzigen Indikator beschränken, der am häufigsten vorkommt und wahrscheinlich am leichtesten zu verstehen ist. Der gleitende Durchschnitt. Dabei betrachten wir die Bedeutung und die möglichen Anwendungen von vertikalen natürlichen Transformationen.
Die Anwendung der Kategorientheorie auf das Finanzwesen war die Hauptstütze der Artikel in dieser Reihe. Wir haben uns viel mit Zeitreihenprognosen beschäftigt, weil sie für die meisten Händler relevant sind und sie die Mehrheit der Mitglieder auf dieser Plattform ausmachen. Darüber hinaus gibt es jedoch auch andere relevante Anwendungen wie Bewertung, Risiko, Portfolioallokation und viele andere. Und vielleicht noch ein kurzes Beispiel zur Bewertung: Es gibt eine Fülle von Möglichkeiten, wie die Kategorientheorie bei der Bewertung einer Aktie angewendet werden kann. Wenn wir beispielsweise die wichtigsten Aktienkennzahlen jeweils als Objekt einer Kategorie betrachten, können die Morphismen (oder Wege (Graphentheorie)), die diese verschiedenen Kennzahlen (wie Einnahmen, Schulden usw.) miteinander verbinden, verschiedenen Bewertungsklassen (z. B. A+, A, B usw.) zugeordnet werden. Sobald wir die Kennzahlen einer bestimmten Aktie kennen, können wir damit quantifizieren, inwieweit sie zu einer bestimmten Klasse gehört. Dies ist ein vereinfachter Ansatz, der nur als Anhaltspunkt dafür dienen soll, was in diesem Bereich getan werden könnte.
Bleibt man jedoch bei den Zeitreihen, so sind die Durchschnitte, auch wenn sie von einigen als zu simpel angesehen werden, in der technischen Analyse von großer Bedeutung, vor allem weil ihr Konzept die Grundlage für viele andere Indikatoren bildet, z. B. Bollinger-Bänder, MACD usw. Man könnte sie als eine weniger volatile Sichtweise des Preisgeschehens betrachten, und die Betonung auf „weniger volatil“ ist angesichts der Menge an Weißes Rauschen auf den Märkten wichtig.
In diesem Artikel setzen wir das Thema der natürlichen Transformationen fort, das wir im letzten Artikel vorgestellt haben, indem wir die Fähigkeit natürlicher Transformationen untersuchen, die Kluft zwischen verwandten Datensätzen unterschiedlicher Dimensionen zu überbrücken. „Dimensionen“ wird hier verwendet, um die Anzahl der Spalten innerhalb eines Datensatzes darzustellen. Wir haben es also nach wie vor mit zwei Kategorien zu tun, einer „einfachen“ Reihe von Rohpreisen und einer „zusammengesetzten“ Reihe von gleitenden Durchschnittspreisen. Unser Ziel ist es, Anwendungen in der Zeitreihenprognose mit einem Umfang von nur drei Funktoren zu zeigen.
Autor: Stephen Njuki