una estrategia de negociación basada en la teoría de las ondas de Elliott - página 185
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
En la ciencia, existen enfoques y métodos estándar para resolver un determinado problema. La belleza de este enfoque es su certeza, la disponibilidad de herramientas probadas y el éxito invariable (si, por supuesto, hay una solución al problema en principio). Este enfoque ahorra tiempo y garantiza resultados. Es atractivo. Por cierto, en el enlace citado por usted, se puede demostrar claramente, cómo no se resuelve un problema. En efecto, basta con utilizar un aparato desarrollado de análisis espectral de series temporales o analizar la densidad espectral de una serie temporal estacionaria determinada a través de su función de autocorrelación para no aburrirnos con observaciones empíricas sobre la cantidad y la calidad de las ondas de Elliott. El mercado es volátil, y es similar a la muerte utilizar un modelo estacionario compuesto por cinco ondas, por ejemplo. Una vez funcionó, pero seis meses después sería más correcto utilizar el modelo de las once olas. Así que... ... ¿debemos ajustar empíricamente el modelo a un mercado volátil cada vez? Esto no es un ejemplo de comportamiento racional.
Yurixx en sus posts anteriores parecía compartir mi punto de vista, y sería interesante ver su trabajo en este ámbito.
En cuanto a su comentario sobre la aleatoriedad en la elección de los coeficientes del modelo autorregresivo (si lo he entendido bien), debo discrepar, porque los coeficientes dados están determinados de forma única por los coeficientes de autocorrelación de las series temporales investigadas mediante la resolución de las ecuaciones de Yule-Walker [Yule (1927)], [Walker (1931)].
Grasn, ¿podría hablarnos más de su investigación en este campo?
Saludos.
Por favor, explique a qué enfoque se refiere. ¿Cuál es el enfoque que asegura un éxito infalible y garantiza los resultados?
Totalmente de acuerdo con su valoración. Cualquier modelo determinista está condenado a una vida corta. Y cuanto más determinista sea, más corta será su vida. Lo único que no está claro es cómo consigues combinar esa opinión con lo que has escrito en el primer post:
Por cierto, como persona más que alejada del DSP, me gustaría que me explicaras detalles sobre el análisis de la densidad espectral de una serie temporal estacionaria definida a través de su función de autocorrelación. Especialmente sobre cómo se define una serie temporal a través de su función de autocorrelación.
Bien, intentaré describirlo brevemente.
Rosh
grasn, ¿cuál es la diferencia entre el Extremo 1 y el Extremo 2 en su opinión (su razonamiento) y cómo reconocerlos (distinguirlos) en línea (en el lado correcto de la historia)?
En cierto modo, un enfoque alternativo a la elección de un canal fiable.
Empezaré por la letra. Un día, fui a ver a un viejo amigo mío. Por mi mirada, comprendió inmediatamente el motivo de mi comparecencia y, sin preguntar nada, me dijo: "Si tienes una idea, en primer lugar, siéntate, cálmate, sírvete una copa de buen coñac y hazte la pregunta: ¿por qué no les funcionó a tus predecesores? Probablemente no he sido el único que ha tenido esta idea, pero al menos no he encontrado análogos en las fuentes de las que dispongo. Pero no importa, tal vez no leo mucho y no pretendo en absoluto la autoría (aunque se me ocurrió honestamente, al estar dedicado a las redes neuronales). Su plena aplicación me parece muy difícil, incluso parece imposible en algunos lugares. Pero ese no es el motivo de querer "hablar de ello :o)". Todavía hay mucha vaguedad en ella. Si lo discutimos, podemos encontrar el camino correcto, llevarlo hasta el final. Aunque, si imaginamos que juntos somos un gran supercerebro, probablemente podremos resolver por completo ese problema. :о)
Estoy hablando de una idea, que puede convertirse en la base de una previsión alternativa del movimiento de los precios y eventualmente ocupar el lugar que le corresponde en los sistemas desarrollados (esto no es por importancia, sino por estimación personal). La implementación en mi sistema, la considero como un módulo auxiliar y veo la aplicación directamente como un criterio adicional para la selección de un canal fiable, pero por supuesto no el único, y habiendo leído hasta el final, se puede entender por qué quiero atribuir "y gracias a Dios no es el único". Pero más cerca del cuerpo, como decía el viejo Maupassant.
La idea principal
Así que me propuse el siguiente objetivo: modelar (predecir) el movimiento de los precios basándome en la representación de las noticias como señales (lo siento, es toda la influencia del procesamiento digital de señales). Esa es la simple idea. No hay tendencias, ni ciclicidad, ni nada, nada de eso. Hay noticias entrantes y una señal correlativa.
Supuestos (en resumen y no todos)
En todo momento el mercado se encuentra en un único estado, que se divide en dos subestados paralelos y relacionados: la espera de noticias y la reacción a las noticias recibidas. El mercado está en este estado ahora, lo estará en un minuto, una hora, un mes, siempre.
Las noticias se limitan a empaquetar la información (datos o cualquier otro tipo de conocimiento) en un caparazón y a entregarla a través de diferentes canales de comunicación. Y no son las noticias las que "sujetan" el mercado, por supuesto, sino la información. No importa si el "Tío Sam" o un operador con un depósito de 200 dólares recibe y procesa esta información directa o indirectamente. No hay que confundir que indirectamente las noticias no afectan a un operador que no realiza formalmente el análisis de las noticias. Cualquier indicador construido sobre una serie de precios ya contiene información transformada (primer postulado del AT). Y por lo tanto, la noticia. Para algunas personas una cita recibida puede ser "noticia", ejem, es broma.
Por información, me refiero a cualquier dato significativo que afecte a una cotización (rumores, informes, previsiones de datos fundamentales, llegada de datos fundamentales, elecciones, etc., etc.) contenidos en las noticias.
Limitaciones (brevemente y lejos de todo)
¿Recibimos todas las noticias? Esta pregunta no puede responderse afirmativamente. Por ejemplo, no sabemos nada del trato extremo. Es posible que simplemente no recibamos todas las noticias por la sencilla razón de que hayamos elegido un mal proveedor, y ciertamente no es posible que cada uno de nosotros se encargue de todo.
¿Tiene la noticia alguna repercusión? Escribí dos párrafos aquí, principalmente para Alex(recuerda que Alex escribió que las noticias no tienen influencia en el momento en que los profesionales ganan en ella), pero los borré. Dejando a un lado la filosofía, voy a expresar de inmediato mi propia opinión: sí lo hacen.
La idea es no construir un modelo económico y no deslizarse en este ámbito. La esencia de la idea es clasificar la información entrante y compararla con una determinada señal y dar "respuesta" en forma de parámetros de señal sobre la base del análisis cualitativo de la información entrante.
Modelo (brevemente y lejos de todo)
Si no recibimos todas las noticias, ¿entonces qué? La respuesta probablemente radica en que no necesitamos toda la información. Es poco probable que un jugador reaccione a todas las noticias seguidas, lo más probable es que espere, según los objetivos (no hay muchos), alguna noticia concreta. En consecuencia, basándonos en los principios estadísticos, debemos identificar la información realmente importante, la que espera la gran mayoría, y luego trabajar sólo con ella. En general, ese trabajo parece estar hecho para nosotros, y para empezar a investigar se puede utilizar y confiar, que es exactamente lo que hice.
La estructuración de la información, y mucho más ...... son temas interesantes por separado.
Matemáticamente, cada noticia (tomada en consideración) está modelada por una determinada clase de señal (la señal se utiliza en el contexto del procesamiento digital de señales) con sus propias características. Una convolución condicional de tales señales (un pulso es también una señal) dará una señal predictiva completa. Por lo tanto, es necesario hacer coincidir cada noticia significativa tomada en consideración con los parámetros y el tipo de señal utilizada. Los parámetros de todos los impulsos deben ser normalizados y calculados a partir del nivel de precios actual. La previsión debe ser semanal, con una previsión estratégica a largo plazo que debe basarse en el valor de la previsión del viernes.
Aplicación
La aplicación es variada. Puedes clavarlo en la pared, imprimirlo y llevarlo al baño, o puedes, por ejemplo, perfeccionar un canal fiable simplemente "encajando" la señal de previsión en los canales.
PD: Esta no es una idea que le dará predicciones de precios muy precisas, en absoluto. Y resolver la ecuación de Yule-Walker me temo que no servirá de nada, aunque si Neutrón lo comparte, se lo agradecería.
Sobre la arbitrariedad y la investigación
Ahí es donde está la verdadera arbitrariedad, donde se puede dar la vuelta y disfrutar al máximo. Lo disfruté: desde los impresionantes resultados (corría por el techo, tropezando con la araña con la emoción desbordada) hasta el filosófico "sí... ¿acaso leen las noticias?". :о))
Desarrollo de la idea
Es muy posible que los resultados de una aplicación adecuada se correlacionen con la EWT. Por decirlo crudamente, pero con suavidad, ¿por qué no partir de lo contrario, en esta teoría, es decir, de la "multitud" y su estado de ánimo?
Entonces, ¿creamos una "fórmula del humor", queridos miembros del foro? :о)
El uso de una función de autocorrelación es una forma de calcular el espectro
Especialmente sobre cómo se define una serie temporal a través de su función de autocorrelación
y esto no lo entendí yo, tal vez no la redacción exacta
Si ahora se añaden esos gráficos y media docena de reglas no demasiado complicadas sobre el comportamiento del mercado, se podría publicar un libro sobre el comercio de divisas. No es peor que Williams y Elliott. :-)))
Si ahora se añaden esos gráficos y media docena de algunas reglas no demasiado complicadas del comportamiento del mercado, ya se pueden publicar libros sobre el comercio de divisas. No es peor que Williams y Elliott. :-)))
¡Hola Yuri!
Tú y yo hemos decidido cuándo empezaremos a publicar libros. Todavía no me he despedido de la idea.
:о)))
Sólo tienes que dar unos cuantos pasos más hacia adelante...
¡Pero de algo hay que vivir! El Forex es bueno, pero es puramente científico. :-)
Utilizo en mi estrategia un enfoque que permite explotar el Sistema de Comercio Mecánico (MTS). Incluso un análisis superficial de los posibles algoritmos de negociación muestra que sólo el enfoque basado en el análisis de datos históricos ya disponibles satisface este requisito. En otras palabras, formulé la hipótesis de que la historia se repite y que es posible construir una estrategia que explote la propiedad de la predictibilidad para unos pocos pasos por delante de una serie temporal de un instrumento.
Naturalmente, esta hipótesis requería la confirmación y la creación de un modelo adecuado del proceso de formación de precios. Como modelo, parecía lógico suponer que el precio incluye de forma aditiva un componente aleatorio y otro determinista. Esta suposición se basa en una conjetura sobre el papel estabilizador del banco central (el banco central se beneficia de mantener el precio dentro de una banda limitada, es decir, debe haber un efecto estabilizador debido a la introducción de un bucle de retroalimentación negativa entre los movimientos de los precios y las acciones del banco central) y, en combinación, el papel desestabilizador de los agentes del mercado (la multitud tiende al comportamiento de rebaño, es decir, se benefician de los movimientos de los precios en tendencia). Al mismo tiempo, no excluimos la presencia de un componente estacional o cíclico y de posibles tendencias deterministas (acciones dirigidas de grandes actores).
Introduzcamos algunos conceptos básicos:
1. Una serie se denomina estrictamente estacionaria (o estacionaria en sentido estricto) si la distribución de probabilidad conjunta de m observaciones es la misma que para m observaciones.
En otras palabras, las propiedades de una serie temporal estrictamente estacionaria no cambian cuando se modifica el origen del tiempo. En particular, del supuesto de estacionariedad estricta de una serie temporal se desprende que la ley de distribución de probabilidad de una variable aleatoria es independiente del tiempo y, por tanto, todas sus principales características numéricas, incluidas la media y la varianza, son también independientes del tiempo.
Obviamente, el valor medio define un nivel constante, en relación con el cual fluctúa la serie temporal analizada, mientras que la dispersión (D) caracteriza el rango de estas fluctuaciones. Dado que la ley de distribución de la probabilidad de una variable aleatoria es la misma en todo t, ella misma y sus principales características numéricas pueden estimarse a partir de las observaciones.
2. La tendencia lineal determinista es un movimiento direccional de los precios causado por determinados acontecimientos en el mercado. El criterio es una expectativa no nula de una serie temporal forzosamente estacionaria y detectada mediante filtros digitales de baja frecuencia.
3. Tendencia lineal no determinista: movimiento direccional del precio causado por un proceso de fijación de precios aleatorio. El criterio es la expectativa cero de una serie temporal forzosamente estacionaria y no puede ser detectada por los filtros digitales de paso bajo debido al inevitable desfase de los esquemas de filtrado casuales.
4. La serie en tiempo real del mercado de divisas puede considerarse una serie estacionaria integrada. Al hacerlo, se puede suponer que la expectativa de la serie estacionaria generadora es cero.
El último punto se desprende de los resultados del estudio de las series temporales estacionarias obtenidas al diferenciar los datos reales existentes de los archivos de cotizaciones. Además, por comodidad, hablaremos de series estacionarias, teniendo en cuenta que una serie de tiempo real se reconstruye a partir de una estacionaria simplemente integrando esta última. Además, del apartado 4 se desprende que no existen movimientos direccionales deterministas en el mercado Forex, mientras que cualquier movimiento direccional similar es de naturaleza aleatoria y, por lo tanto, carece de interés práctico (¡la tendencia no es amiga!). La diferenciación de la serie inicial nos permitirá deshacernos de las tendencias estocásticas, lo que simplificará aún más nuestro modelo.
Así pues, suponemos que el proceso de fijación de precios puede describirse mediante un modelo que incluye un componente cíclico y una serie temporal estacionaria con una remuneración esperada nula. La pregunta de si existe o no un componente cíclico en la serie de precios puede responderse aplicando un análisis de Fourier o influyendo en la serie temporal con un filtro digital de banda estrecha. En mi práctica he utilizado ambos métodos. Los resultados obtenidos implican que los ciclos existen en el mercado de divisas, pero son estocásticos, es decir, no hay ciclos con un periodo estacionario o casi estacionario. Esta propiedad, por desgracia, hace fundamentalmente imposible explotar las estrategias basadas en la ciclicidad del proceso de fijación de precios. Permítanme repetir que esta conclusión sólo se aplica al mercado de divisas. El mercado de valores tiene un componente estacional estacionario y tendencias deterministas. Este hecho permite esperar un posible aprovechamiento de estas propiedades del mercado de valores en TS. A la luz de lo anterior, mi opinión es que la Teoría de Elliott sólo es aplicable en el mercado de acciones y de futuros, pero no en el mercado de divisas.
Como resultado, nuestro modelo contiene sólo dos componentes: un componente determinista y un componente aleatorio. El proceso de formación de precios puede describirse como la memoria del mercado de un número infinito de saltos de precios anteriores, cada uno de los cuales tiene su propio peso decreciente y un componente aleatorio. En el caso general necesitamos limitar razonablemente el número de miembros que intervienen en la formación de los precios y encontrar una manera de calcular los coeficientes dados (pesos) a partir de los parámetros disponibles y calculables que caracterizan el proceso estacionario de interés. Y también para determinar los parámetros del componente aleatorio, que no es una tarea difícil. En este caso, el siguiente salto de precios (tercero+1) vendrá determinado por la suma de los n saltos anteriores S(i), cada uno de ellos multiplicado por su peso a(i) monótonamente decreciente con la distancia desde el borde anterior de la historia, y una variable aleatoria sigma con una ley de distribución conocida, valor esperado cero y desviación estándar conocida :
S(i+1)=SUMA(a(i-k)*S(i-k))+sigma donde la suma se realiza sobre todos los k de cero a n.
Por lo tanto, se trata de un modelo autorregresivo de n-ésimo orden.
En principio, sólo necesitamos la forma exacta de la variable aleatoria si queremos obtener una serie temporal S(i) que sea completamente idéntica a la generadora (en términos de características), pero esta tarea me parece superflua. De hecho, sólo nos interesa la capacidad de predicción del modelo, que inevitablemente sufrirá un elemento de incertidumbre introducido por el término responsable del componente aleatorio, pero teniendo en cuenta el signo aleatorio del error introducido, podemos decir con seguridad que tras un gran número de ejecuciones el error de predicción asociado al término aleatorio se reducirá a cero. Y finalmente nuestro modelo parece bastante sencillo:
S(i+1)=SUMA(a(i-k)*S(i-k)), donde la suma se realiza sobre todos los k de cero a n.
La densidad espectral del proceso autorregresivo de orden n se define mediante la fórmula
p(omega)=2D/|1-SUM(a(k)*exp{-i*2k*omega})|^2, donde la suma se realiza sobre todos los k de 1 a n,
i=SQRT(-1) y 0<=omega<=1/2 .
Preliminarmente, observo que
También se refleja en mi investigación:
La historia sí se repite y así lo demuestra el índice de Hurst, sólo que evalúa la posibilidad de repetición/continuación de la estructura establecida (como escribí antes), lo que cambia un poco el enfoque de la CT.
La normalización "retroalimentada" correctamente realizada, es decir, la adecuación de los parámetros de la señal a la calidad de la información, permite obtener en general un componente localmente determinista. Realmente no hay ciclos (no venden galochas :o), sino que es la información básica (M0, M1, tipos, etc.) la que tiene ciclicidades. La previsión de base ("casi determinista") se basa en información cíclica.
El único problema es que el grado de influencia de la información específica cambia con el tiempo y una vez que has hecho el racionamiento de la historia, puedes empezar a hacerlo todo de nuevo :o(. Pero hasta ahora este enfoque no es más que un pasatiempo científico.