Discusión sobre el artículo "El enfoque econométrico en la búsqueda de leyes de mercado: autocorrelación, mapas de calor y diagramas de dispersión"
Maxim, bien hecho, ¡un gran respeto por el trabajo de investigación!
La cuestión es la siguiente. ¿Estoy en lo cierto al pensar que:
"корреляции приращений первого часа текущего дня и первого часа предыдущих дней, которая уменьшается при увеличении дельты (расстояния в днях)"
es esencialmente una función de autocorrelación parcial (PACF) ?
Maxime, bien hecho, ¡un gran respeto por el trabajo de investigación!
La cuestión es la siguiente. ¿Estoy en lo cierto al entender que:
es esencialmente una función de autocorrelación parcial (PACF) ?
Gracias, sí, eso es exactamente lo que es.
El artículo es bueno en sí mismo y como ejemplo de lo que deberían ser los artículos de trading.
La desventaja, como en el artículo anterior del autor, es la falta de evaluación de la importancia de la rentabilidad positiva. Una significación baja mostraría la necesidad de refinar la estrategia antes de operar con ella. En el caso de la TS del artículo, a primera vista, la importancia puede estimarse de forma aproximada basándose en el número de operaciones y el ratio de Sharpe.
El artículo es bueno en sí mismo y como ejemplo de lo que deberían ser los artículos sobre comercio.
La desventaja, como en el artículo anterior del autor, es la falta de evaluación de la importancia de la rentabilidad positiva. Una significación baja mostraría la necesidad de refinar la estrategia antes de operar con ella. En el caso de la TS del artículo, a primera vista, la importancia puede estimarse de forma aproximada basándose en el número de operaciones y el ratio de Sharpe.
Gracias. Las pruebas detalladas y la evaluación de la significación se pueden añadir cuando se agote todo el tema. Es decir, no creo que se trate de un algoritmo de trading óptimo, sino de una comprobación adicional de algunas regularidades a través del optimizador.
Todavía no se ha resuelto el problema de la conmutación de modos, que parece una continuación lógica del tema. De lo contrario, todas las estimaciones serán para un modo de mercado en particular (en este caso, para los últimos 5 años), lo cual es erróneo.
Видно, что закономерность сохраняется на всем интервале 2015-2020гг. Можно считать, что наш эконометрический подход сработал на отлично.
Sería extraño que la optimización arrojara malos resultados en la misma zona en la que se realizó la "búsqueda de patrones", ¿no?
Sería extraño que la optimización arrojara malos resultados en la misma zona en la que se realizó la "búsqueda de patrones", ¿no?
Si mostrara un desfase diferente, entonces el estudio habría resultado erróneo. Sólo era una prueba.
Si mostrara otro retraso, entonces el estudio sería erróneo. Sólo una comprobación.
hola maxim
por favor, responde a mi pregunta en
https://www.mql5.com/en/forum/219788/page2#comment_15129306
gracias a usted
- 2017.11.21
- www.mql5.com
Saludos,
muchas gracias. El artículo fue muy perspicaz y útil.
Me enfrento a error mientras trato de practicar su código en jupyter Notebook (realmente muchas gracias por su archivo de apoyo),
---------------------------------------------------------------------------AttributeError Traceback (most recent call last) <ipython-input-32-a563182e2f90> in <module> 12 13 ---> 14 seasonal_autocorrelation('EURUSD',25, 12,13) <ipython-input-32-a563182e2f90> in seasonal_autocorrelation(symbol, lag, hour1, hour2) 3 columns=['time', 'open', 'low', 'high', 'close', 'tick_volume', 'spread', 'real_volume']) 4 rates = rates. drop(['open','low', 'high','tick_volume', 'spread','real_volume'], axis=1). set_index('time')----> 5 rates = rates. drop( rates. index[~rates. index. hour. isin([ hour1, hour2])]). diff( lag). dropna() 6 7 AttributeError: 'Int64Index' object has no attribute 'hour'
Saludos,
muchas gracias. El artículo ha sido muy perspicaz y útil.
Me enfrento a error mientras intento practicar su código en jupyter Notebook (realmente muchas gracias por su archivo de apoyo),
---------------------------------------------------------------------------AttributeError Traceback (most recent call last) <ipython-input-32-a563182e2f90> in <module> 12 13 ---> 14 seasonal_autocorrelation('EURUSD',25,12,13)<ipython-input-32-a563182e2f90> in seasonal_autocorrelation(symbol, lag, hour1, hour2) 3 columns=['time', 'open', 'low', 'high', 'close', 'tick_volume', 'spread', 'real_volume']) 4 rates = rates. drop(['open','low','high','tick_volume','spread','real_volume'], axis=1). set_index('time')----> 5 rates = rates. drop( rates. index[~rates. index. hour. isin([ hour1, hour2])]). diff( lag). dropna() 6 7 AttributeError: 'Int64Index' object has no attribute 'hour'
Hola, MetaQuotes ha cambiado python API, por lo que estas funciones no funcionan ahora. Tal vez más tarde voy a arreglar esto y adjuntar un nuevo cuaderno
También, usted puede comprobar la nueva documentación en este sitio
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Usted acepta la política del sitio web y las condiciones de uso
Artículo publicado El enfoque econométrico en la búsqueda de leyes de mercado: autocorrelación, mapas de calor y diagramas de dispersión:
Investigación ampliada de características estacionales: autocorrelación, mapas de calor y diagramas de dispersión. El objetivo de este artículo es mostrar que la "memoria del mercado" tiene un carácter estacional que se muestra a través de la maximización de la correlación de los incrementos de orden aleatorio.
Vamos a realizar una comprobación adicional en el marco temporal М15. Supongamos que buscamos esa misma interrelación entre la hora actual y la misma hora del día anterior. En este caso, un lag efectivo debe ser 4 veces superior, suponiendo, aproximadamente, 24*4 = 96, dado que en cada hora hay 4 segmentos de 15 minutos. Hemos optimizado el asesor con los mismos ajustes, cambiando el marco temporal a М15.
En el segmento optimizado, el lag de incremento efectivo ha sido <60, lo cual resulta extraño. Quizá el optimizador haya captado otra regularidad, o se haya producido una sobreoptimización.
Fig 16. Relación de la variable "Lag" respecto a la variable "Order threshold" en el intervalo optimizado
Vamos a ver los resultados en el test en tiempo real. Resulta curioso que todo esté en orden: el lag efectivo es aproximadamente de 100, lo cual corrobora la regularidad.
Fig 17. Relación de la variable "Lag" respecto a la variable "Order threshold" en el intervalo en tiempo real
Autor: Maxim Dmitrievsky