Diskussion zum Artikel "Kolmogorov-Smirnov-Test bei zwei Stichproben als Indikator für die Nicht-Stationarität von Zeitreihen"
Ich habe überhaupt nicht verstanden, was da verglichen wird. Offenbar ist es notwendig, die Quelle zu studieren.
ZЫ Ich habe mir die Quelle angesehen. Es sieht so aus, als ob es auf D1 ausgeführt werden sollte (ich habe es nicht ausprobiert), wobei weniger Balken anstelle von 1440 genommen werden (PERIOD_M5 anstelle von PERIOD_M1). Und "Bälle" - Close-Inkremente
Ich bin sicher, dass M5 auch dann "stationär" ist, wenn man Wochen statt Tage vergleicht (1435 M5-Inkremente), als M1. Es geht nicht um die Menge der Daten, sondern um die Art der Konstruktion der Inkremente.
Man kann verschiedene Gesetze für die Konstruktion von Inkrementen anwenden: TF-Inkremente, ZZ-Inkremente usw.
Das heißt, das Ergebnis der Stationaritätstests hängt von der Aufbereitung der Ausgangsdaten ab. Warum man TF-Inkremente nehmen sollte, ist ein Rätsel. Kleine Zeitrahmen an einem Tag sind ein Sammelsurium von Fliegen und Schnitzeln. Es gibt Rollover, geringe Liquidität und Nachrichten. Vergleichen Sie dann die Teile des Tages. Zum Beispiel EURUSD von 02:00 bis 08:00 Uhr.
Schließlich zwingt Sie niemand, rund um die Uhr zu handeln oder zu lernen.
Führen Sie den Indikator auf dem täglichen Zeitrahmen aus, wird die Zeitreihe der logarithmischen Preisinkremente PERIOD_M5 analysiert. Es können auch Minutenwerte verwendet werden, aber diese Daten sind zu instationär.
Wir analysieren täglich, wie stark sich das Verteilungsgesetz der Zeitreihenrenditen ändert, und verwenden zu diesem Zweck das Smirnov-Homogenitätskriterium. Diese Statistik basiert auf dem Vergleich von zwei Verteilungsfunktionen der Stichprobe. Als Differenz zwischen diesen beiden Funktionen wird der maximale Modulus der Differenz genommen.
Führen Sie den Indikator auf dem täglichen Zeitrahmen aus, wird die Zeitreihe der logarithmischen Kurssteigerungen PERIOD_M5 analysiert. Es können auch Minutenwerte verwendet werden, aber diese Daten sind zu instationär.
Wir analysieren täglich, wie stark sich das Verteilungsgesetz der Zeitreihenrenditen ändert, und verwenden zu diesem Zweck das Smirnov-Homogenitätskriterium. Diese Statistik basiert auf dem Vergleich von zwei Verteilungsfunktionen der Stichprobe. Als Differenz zwischen diesen beiden Funktionen wird der maximale Modulus der Differenz genommen.
Ich habe den Artikel von oben nach unten gelesen. Ich bin zu diesem Satz gekommen.
Weitere Charts ohne Erklärungen. Als ob sie vergessen hätten, einen kleinen Absatz zu schreiben.
Ich bin sicher, dass M5 auch dann "stationär" ist, wenn man Wochen statt Tage vergleicht (1435 M5-Inkremente), als M1. Es geht nicht um die Menge der Daten, sondern um die Art der Konstruktion der Inkremente.
Sie können verschiedene Gesetze für die Konstruktion von Inkrementen anwenden: TF-Inkremente, ZZ-Inkremente usw.
Das heißt, das Ergebnis der Stationaritätstests hängt von der Aufbereitung der Ausgangsdaten ab. Warum man TF-Inkremente nehmen sollte, ist ein Rätsel. Kleine Zeitrahmen an einem Tag sind ein Sammelsurium von Fliegen und Schnitzeln. Es gibt Rollover, geringe Liquidität und Nachrichten. Vergleichen Sie dann die Teile des Tages. Zum Beispiel, EURUSD von 02:00 bis 08:00.
Es ist so, dass M5 stationärer ist als M1, zumindest zeigt das Smirnov-Kriterium dies an.
Der Minuten- oder im Extremfall 5-Minuten-Zeitrahmen wird verwendet, um eine angemessene Verzögerung zu erhalten. Wenn wir z.B. 1440 für 5 Minuten analysieren, erhalten wir das Ergebnis nach dem Smirnov-Kriterium einmal in zwei Wochen. Es ist nicht notwendig, den Zeitrahmen zu vergrößern, sondern im Gegenteil, wahrscheinlich auf den Boden unter den Ticks zu gehen, was eine schnellere Reaktion auf sich ändernde Bedingungen ermöglichen würde. Leider hatte ich keine Basis von Ticks für die Analyse, also habe ich Minuten analysiert.
Es ist jedoch eine gute Idee, verschiedene Intraday-Sitzungen zu vergleichen. Nehmen Sie z. B. die asiatische Sitzung heraus, da es dort viele Null-Inkremente gibt, eine ganz andere Volatilität, usw.
P.S.: Was sind ZZ-Inkremente?
Ich habe den Artikel von oben nach unten gelesen. Ich kam zu diesem Satz.
Dann gibt es Diagramme ohne Erklärungen. Es war, als hätten sie vergessen, einen kleinen Absatz zu schreiben.
Unter den Schaubildern stehen kurze Erklärungen. Wenn etwas Bestimmtes nicht ganz klar ist, schreiben Sie mir und ich werde versuchen, alles zu erklären.
Imho wäre es sinnvoll, die täglichen Volatilitätsschwankungen zu berücksichtigen. Beispielsweise könnte man die Inkremente durch die durchschnittliche Volatilität zu dieser Tageszeit normalisieren. Nach meiner Einschätzung unterscheiden sich die so normalisierten Inkremente deutlich weniger vom Rauschen.
Bei Zeilen wird häufiger von Zerlegungstests gesprochen. Solche Tests basieren oft auf Homogenitätstests, sind aber im Prinzip ein eigenständiger Bereich von Matstat. Zum Beispiel wird der Pettitt-Test oft in der Ökonometrie verwendet.
Im Allgemeinen ist der Artikel gut.
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Neuer Artikel Kolmogorov-Smirnov-Test bei zwei Stichproben als Indikator für die Nicht-Stationarität von Zeitreihen :
Der Artikel befasst sich mit einem der bekanntesten nichtparametrischen Homogenitätstests – dem Kolmogorov-Smirnov-Test mit zwei Stichproben. Es werden sowohl Modelldaten als auch reale Kurse analysiert. Der Artikel enthält auch ein Beispiel für die Konstruktion eines Nicht-Stationaritätsindikators (iSmirnovDistance).
In dieser Studie werde ich Finanzzeitreihen mit Hilfe empirischer Verteilungsfunktionen auf Stationarität im engeren Sinne testen. Die Wahrscheinlichkeitstheorie und die mathematische Statistik, als ein spezieller Teilbereich der ersteren, beruhen auf der Annahme der Stationarität. Es gibt zahlreiche Methoden zur Analyse stationärer Prozesse, darunter die Regressionsanalyse, die Autokorrelationsanalyse, Methoden der Spektralanalyse und die Verwendung neuronaler Netze. Die Anwendung dieser Methoden auf nicht-stationäre Daten kann jedoch zu erheblichen Prognosefehlern führen.
Für Händler ist die Frage der Stationarität eng mit der Wahl der Datenmenge für die Berechnung der verschiedenen Indikatoren verbunden. Bei stationären Prozessen lassen sich alle statistischen Merkmale umso genauer berechnen, je mehr Daten zur Verfügung stehen. Bei der Analyse von nicht-stationären Prozessen ist es jedoch schwierig, die optimale Datenmenge zu bestimmen. Ein zu großer Umfang kann veraltete Informationen enthalten, die die aktuelle Situation nicht mehr betreffen. Wenn zu wenig Daten erhoben werden, können wir die statistischen Eigenschaften des Prozesses aufgrund der unzureichenden Repräsentativität nicht angemessen bewerten.
Das vollständigste Merkmal eines Zufallsprozesses ist sein Verteilungsgesetz (Wahrscheinlichkeitsfunktion). Daher ist es eine wichtige Aufgabe, einen Indikator zu konstruieren, der es ermöglicht, Veränderungen in der Verteilungsfunktion einer Zeitreihe im Laufe der Zeit zu verfolgen. Dieser Indikator wird wiederum als Signal für die Notwendigkeit dienen, das Datenvolumen für die Berechnung der Standardindikatoren der technischen Analyse zu überarbeiten. In der mathematischen Statistik wird das Problem der Prüfung, ob sich die Verteilungsfunktion einer Zufallsvariablen im Laufe der Zeit verändert hat, als „Prüfung der Homogenitätshypothese“ bezeichnet.
Autor: Evgeniy Chernish