una estrategia de negociación basada en la teoría de las ondas de Elliott - página 23
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Perdón de nuevo por las respuestas tardías. Ojalá hubiera mirado antes, le habría ahorrado tiempo, pero espero que no lo haya perdido. Así que no ofrecí leer el criterio de Hurst usando un muving - ofrecí tomar el algoritmo de la entrega estándar y sustituir lo que necesitas en lugar de los valores del muving. En ese algoritmo, que has colgado (aún no he mirado el último), hay una variable: la mediana de la muestra. ¿Cómo lo ves? Si el canal va en horizontal - entonces está bien y se consigue lo que se necesita, pero en el caso general no. Es decir, hay que tomar la diferencia entre el precio real y la proyección de ese precio en cada barra. Intentaré ser más específico: si se aproxima el precio de cierre por un muvin, entonces debe tomar la diferencia entre el valor del muvin y el precio de cierre en cada barra. Si se trata de una regresión no lineal, entonces en consecuencia el valor de esta regresión, si es lineal, entonces el valor de la línea de regresión, pero todo esto para cada barra. Por eso escribí que al menos hay que tener una matriz de proyecciones - cada barra tiene su propia proyección. A continuación, puedes hacer una estimación: no tomes toda la muestra, sino sólo una parte, construye un intervalo; si todo sigue dentro del intervalo, toma toda la muestra y construye una proyección hacia el futuro (extrapolación).
Buena suerte y buena suerte con las tendencias.
Y este es un enfoque general, tanto para aproximaciones lineales como no lineales.
Así que, por lo que entiendo, el algoritmo para el cálculo del parámetro de Hearst según su metodología debería ser el siguiente:
1. Tomamos una muestra de puntos para los que queremos obtener el parámetro de Hearst. Por ejemplo, para mayor claridad, tomemos una muestra de puntos de 0 a N.
2. Tomemos sucesivamente una parte de la muestra de 0 a M donde 0<M<=N. Es decir, teóricamente tenemos N muestras con los siguientes rangos: 0-1, 0-2, 0-3, 0-4,...0-(N-1), 0-N.
3. Para cada muestra construimos un canal de regresión lineal. Obtenemos una serie de canales y sus proyecciones en el futuro.
4. Calcule la diferencia entre el precio de cierre de la barra M y la proyección sobre esta barra del canal de regresión lineal, construido para la muestra 0-(M-1). Es decir, al calcular la diferencia se toman los datos de la proyección de regresión lineal trazada para el PASADO, sin incluir la barra actual? ¿Verdad?
5. Entonces tenemos un conjunto de diferencias a partir del cual determinamos el RMS (S)
6. Encontramos R como diferencia entre los valores máximos y mínimos de la muestra
7. Calcula el parámetro Hearst.
¿Ahora entiendo correctamente cómo calcular el parámetro de Hearst o no?
Si entiendo bien tu idea, me parece un añadido MUY IMPORTANTE al método de cálculo del parámetro Hearst que da la fórmula del libro. No se hace hincapié en esta circunstancia del cálculo.
Buena suerte y buenas tendencias.
¿Se refiere al hecho de que el concepto de nivel (su valor declarado) sólo tiene sentido en el momento actual? Y en algún momento los niveles cambiarán naturalmente, ya que el canal, a lo largo del cual se mueve el precio, pasa a cierta distancia y los límites de los intervalos de confianza se situarán en otros lugares en el futuro. ¿O quiere decir algo más con esta frase? Por ejemplo, ¿se refiere a la velocidad con la que el precio alcanzó este nivel? ¿Supongo que se refería al cálculo de los parámetros de Hearst? Significa que si el precio casi ha alcanzado un nivel, pero Hearst muestra la continuación de la tendencia, el nivel se romperá, aunque no de inmediato? Quizás, esto es especialmente relevante para los niveles dentro del intervalo de confianza.
Vladislav, y lo que la anchura del intervalo de confianza se toma específicamente para el caso de Hearst cálculo, así como para la búsqueda general de la muestra óptima?
90%
95%
99%
99,9%
¿O establece sistemáticamente diferentes anchuras del intervalo de confianza en su búsqueda general de la muestra óptima? Por ejemplo, ¿buscó una muestra del 90% y encontró una muestra, luego buscó el 95% y encontró otra, y así hasta el 99,9%?
¿O en base a los experimentos ha encontrado que, por ejemplo, las muestras obtenidas para intervalos de confianza superiores al 95% son de poca utilidad para la predicción y deben ser descartadas en el análisis?
¿O tal vez sólo se guía por el hecho de que los intervalos construidos posteriormente deben ser más pequeños que el inicial construido por 2/3 muestras?
Pero aun así, cuando se construye el primer intervalo, se debe establecer su anchura, ¿no?
Y una pregunta más, relativa a la secuencia de cálculos (tiempo de cálculo final). Entiendo que cuando se busca un canal de regresión lineal, debemos empezar a tomar muestras desde el momento actual hasta el pasado. Supongamos que hemos encontrado un conjunto de muestras que cumplen los requisitos de convergencia. Pero todavía tenemos barras sin contar y contamos más, obteniendo muestras que quedan fuera del intervalo. Entonces, ¿qué criterio podría tomarse para que los cálculos posteriores carezcan de sentido y podamos poner fin al ciclo de enumeración de muestras? A primera vista, imagino que basta con contar el mismo número de compases que el número de compases de la muestra más larga con éxito? ¿O tiene otras opciones? Por ejemplo, ¿es suficiente contar sólo el 30% de la muestra más larga o algún otro número de barras? ¿O se estima toda la serie de precios del último medio año independientemente de los resultados y luego se estiman los errores calculados para la aproximación de las series de precios por funciones de otros órdenes? Por ejemplo, la cuadrática, que ya has mencionado.
Por favor, dime, ¿aplicas alguna otra función de aproximación? Por ejemplo, ¿funciones armónicas, exponenciales, logarítmicas, de potencia (superiores al segundo orden), etc.? O, si se aplica al mercado de divisas, ¿es suficiente la aplicación de sólo dos funciones -lineal y cuadrática- para operar con éxito en este mercado?
Por supuesto que sí.
¿Se refiere al hecho de que el concepto de nivel (su valor declarado) sólo tiene sentido en el momento actual? Y en algún momento los valores de los niveles cambiarán naturalmente, porque el canal, a lo largo del cual se mueve el precio, pasa a cierta distancia y los límites de los intervalos de confianza se ubicarán en otros lugares en el futuro.
Sí. La coincidencia de la zona de pivote con uno de los niveles de pivote aumenta considerablemente la precisión del cálculo.
¿Y qué anchura del intervalo de confianza se toma para el cálculo de Hearst y para la búsqueda general de una muestra óptima?
Creo que la muestra es verdadera hasta que se rompe el intervalo de confianza del 99%. También tengo en cuenta el 90 y el 95% - a menudo es el final de un pullback y la restauración de la tercera.
Pero de todos modos, cuando construyes el primer intervalo, debes establecer su anchura, ¿no?
Absolutamente - en desviaciones estándar - la forma más universal.
Dígame, por favor, ¿utiliza alguna otra función de aproximación? Por ejemplo, ¿armónica, exponencial, logarítmica, de potencia (superior al segundo orden), etc.? O, si se aplica al mercado de divisas, ¿basta con dos funciones, la lineal y la cuadrática, para operar con éxito?
No - las funciones armónicas son un caso especial de la forma cuadrática. Y en cuanto al resto - véanse las consideraciones sobre la potencialidad del campo de precios y no sólo con respecto al mercado Forex - en todas partes donde el campo de precios es potencial, es decir, el beneficio no depende de la trayectoria de los precios, sino sólo de la diferencia entre los precios de las posiciones de apertura y de cierre.
En cuanto a los criterios - metodológicamente, escribí: la trayectoria de los precios minimiza la energía potencial funcional. Para más detalles, consulte .....
Buena suerte y buenas tendencias.
Ahora mi script encuentra los canales de regresión lineal que satisfacen el principio de irreductibilidad, es decir, el RMS de todos los canales de la muestra es menor que el RMS de 2/3 de la muestra y el principio de no muestreo en el último 1/3 para el intervalo de confianza del 99% (todo está de acuerdo con sus recomendaciones). Pero ahora ha surgido una pequeña cuestión técnica. Dado que hay varios canales "verdaderos" que operan en el momento actual, existen regiones de dispersión para dichos canales, como en cualquier otra parte de la estadística. Es decir, supongamos que uno de los canales "verdaderos" es un canal de regresión lineal basado en una muestra desde el momento actual hasta hace 200 barras en el periodo H1. Si la muestra varía, por ejemplo, dentro del rango de 190-210 bares, las dos condiciones mencionadas se cumplirán plenamente. Observamos el valor RMS de estas muestras y seleccionamos el valor más pequeño. Según su estrategia, este canal es aplicable para la previsión.
Luego nos movemos a otro marco temporal, por ejemplo en M15. Estamos tratando de encontrar un canal similar en el mismo marco temporal. Y obtenemos el siguiente resultado. El canal óptimo (con una asimetría mínima) en M15 parece ser un canal de regresión lineal obtenido no sobre una muestra de 800 barras (200*4) como sería natural, ¡sino sobre una muestra de 640 barras! Es decir, el dominio del tiempo me da una varianza de muestreo de hasta el 25% (esto es lo máximo, normalmente es menos). Además, en la actualidad tenemos diferencias de unos 5-10 puntos en la definición de los límites del intervalo de confianza. Como parece que tomamos como muestra el precio medio de la barra (O+H+L+C)/4 y no realizamos ningún análisis de patrones, entonces el marco temporal óptimo del canal trazado para el mismo intervalo de tiempo en diferentes marcos temporales debe ser el mismo, ¿no? ¿O no es así y en este caso deberíamos aplicar también métodos estadísticos de estimación de parámetros? Y el intervalo de tiempo para el canal óptimo también tiene su propia varianza, lo que puede explicar esta divergencia de muestras para el canal óptimo en diferentes plazos?
En consecuencia, tengo una pregunta. ¿Qué hacer en esta situación? ¿En qué se basan sus cálculos? Por ejemplo, ¿se toma como base para la toma de decisiones un canal construido en un marco temporal menor, o se estiman adicionalmente los límites del intervalo de confianza promediando los límites del canal obtenidos en diferentes marcos temporales? Es decir, si se calcula el mismo canal en 4 marcos temporales (M5, M15, M30 y H1), la estimación promediada de los límites del intervalo de confianza para el mismo canal será probablemente el doble de fiable... ¿Y podrá confiar en ello en mayor medida que en el cálculo del canal por un marco temporal por separado? ¿O tal vez tienes otro enfoque? Aunque, tal vez, en esta situación no se promedia nada y sólo se busca el nivel apropiado más cercano de Murray, como ya has dicho...
¿En qué plazo se realizan los principales cálculos? Has dicho que tu programa calcula los datos de medio año en 30-40 segundos. ¿Supongo que ese marco temporal no debería ser menor que H1? ¿Es así?
Vladislav, por favor, asesora sobre la matriz std_dev[][]. Según tengo entendido, este array tiene una dimensión Nx2, donde N es un número de canales calculados. Los valores de las celdas pueden ser los siguientes:
std_dev[n][0] - Valor RMS para 2/3 de la muestra en el canal n
std_dev[n][1] - Valor RMS para toda la muestra del canal n (RMS para la proyección)
¿O me equivoco y esta matriz contiene algo más? Por ejemplo, es posible tener la tercera celda std_dev[n][2], que contendría el número de barra inicial para el muestreo.
Por cierto, ¿qué otras variantes se pueden utilizar para construir proyecciones además de la estándar? La proyección repite la función que se tomó como función de aproximación + límites de los intervalos de confianza que repiten la función de aproximación en la forma? ¿Qué más se le ocurre en este ámbito? Yo, por ejemplo, podría suponer que se puede construir una proyección a partir de datos obtenidos hace varios bares. Parece aún más razonable de esta manera porque si realizamos la proyección sólo por el momento actual, el precio destruye algunos canales que lo formaron hace varias barras al acercarse a la zona de reversión y los canales restantes desplazan sus límites de intervalo a la zona de infravaloración. En otras palabras, si vemos la zona de reversión y el precio está cerca de ella, uno de los canales considerados "verdaderos" no cumplirá una de las dos condiciones. ¿Cómo se maneja este problema? ¿Utiliza también la previsión realizada hace varios compases en su análisis de la situación actual?