Índice Hearst - página 11
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
¿Existe una función Hearst integrada en Excel? Si es así, por favor, dale un nombre. >> Gracias.
El cálculo de Hearst se hace en un guión. En Excel sólo tienes que logaritmo y encontrar la línea recta.
El cálculo de Hearst se realiza en un script. En Excel sólo tienes que logaritmo y encontrar la línea recta.
absolutamente.
La función se llama TIP(y,x)
El cálculo de Hearst se realiza en un script. Todo lo que necesitas hacer en Excel es logaritmo y encontrar una línea recta.
Entonces puedes hacerlo en MQL, aquí tienes 'Funciones útiles de KimIV' para ayudarte.
Voy a probar a Hirst por mí mismo. Llevo mucho tiempo pensando en refinar Spirmen, pero aún no me he puesto a ello. Quizá la síntesis de estos dos indicadores sea justo lo que necesito.
La tendencia (global) y Hurst no tienen nada que ver, Sergei. Hurst muestra, a grandes rasgos, la capacidad de las microtendencias. Es decir, el índice de Hurst dice algo sobre la microestructura de las series temporales, pero no sobre una tendencia. Parece que con H >> 0,5 (más cerca de 1) se puede hacer algo en una serie temporal (beneficio) - sólo porque no es martingala (las diferencias de las muestras vecinas están correlacionadas). Y no martingala - porque las muestras adyacentes son dependientes.
Te voy a enseñar fotos, aunque seguro que las has visto tú mismo. Todos ellos son del "Análisis Fractal" de Peters. Obsérvese que no hay tendencia en ninguna parte. Los valores de Hearst son 0,72 (arriba a la izquierda), 0,76 (arriba a la derecha), cerca de 0,9 (abajo a la izquierda) y bastante menos de 0,5 (abajo a la derecha). Ya sabes cómo es un proceso Wiener (H=0,5).
También es una imagen cualitativa, por supuesto.
Es decir, el índice de Hurst dice algo sobre la microestructura de la serie temporal, pero no sobre la tendencia.
También es una imagen cualitativa, por supuesto.Si me lo permiten, añadiré mi opinión al respecto.
Una caracterización bastante completa de la PA viene dada por el modelo autorregresivo. En términos generales, la PA puede considerarse como la suma de un componente determinista y un componente aleatorio (ruido):
Este es el modelo AR para los incrementos de precio dX. Con su ayuda, conociendo el valor p de los incrementos anteriores, podemos predecir el movimiento esperado del cociente con una certeza conocida. Pasar de los incrementos de precio a la previsión del propio precio no es difícil; para ello, basta con sumar el incremento de precio previsto al último valor del precio del instrumento y obtendrá una previsión de precio para el siguiente paso.
Arriba mostré la identidad de Hearst Ratio (HR) calculada para cada TF de la cotización y el coeficiente de correlación (CC) entre lecturas vecinas en una serie de la primera diferencia de la cotización (el BP estocástico se muestra en rojo, el EURGBP min se muestra en azul). La coincidencia puede considerarse satisfactoria e incluso a favor del CC: dependencia más suave, en igualdad de condiciones, y expresión incomparablemente más sencilla para los cálculos en comparación con el PC:
Sin embargo, hay una diferencia fundamental. El PC es una característica más profunda y completa del PA en comparación con el CC, porque evalúa el cociente tal y como es, en su totalidad, con todos sus vínculos y características internas, sin recurrir a una separación artificial de las características. El control de calidad en estas condiciones explota el único parámetro disponible para su análisis: la relación entre los recuentos vecinos de los incrementos de cotierra, y eso es todo. El hecho de que los resultados coincidan sólo indica la débil correlación de los recuentos de largo alcance (de hecho, el segundo recuento de la izquierda casi no tiene efecto sobre el valor futuro del incremento del precio del instrumento) con el movimiento esperado. De hecho, puede ocurrir lo contrario (que aparezcan enlaces profundos) y que el control de calidad falle, mientras que el PC funcione correctamente.
Esta es la similitud y la principal diferencia entre estos dos métodos de análisis de la PA.
Hay que destacar que el PC es una característica integral de la PA, que no dice nada sobre las propiedades específicas de la relación entre los recuentos incrementales. En cambio, el modelo AR es cuantitativo en su totalidad y da una característica cuantitativa de estas relaciones (coeficientes delante de dX bajo el signo de la suma), lo que nos permite explotarlas al 100%. Pero también hay limitaciones debido a la linealidad del enfoque utilizado. Los modelos AR que tienen en cuenta las relaciones no lineales entre los incrementos tienen una información más completa. Pero, de nuevo, este modelo debe ser desarrollado por nosotros y no es el hecho de que sea óptimo.
Y aquí es donde entran en juego las redes neuronales... Las no linealidades son su base, y la capacidad de aprendizaje les da la flexibilidad necesaria.
Y ahí es donde entran las redes neuronales... Las no linealidades están en su núcleo, y la capacidad de aprender les da la flexibilidad que necesitan.
Nadie discute que, pero para los persistentes y antipersistentes de BP o de secciones de BP, el comercio
Las tácticas son diametralmente opuestas, por lo que el NS tiene que aprender a tener en cuenta el PC a la hora de operar.
Tal vez sea mejor alimentarla con lo ya hecho que esperar a que aprenda a verlo por sí misma.
Tal vez sea mejor darle de comer ya hecho que esperar a que aprenda a verlo por sí mismo.
Es una cuestión de debate sobre lo que es mejor. ¿Cuáles son los criterios para juzgar si es mejor?
Usted apela al PC como la verdad última, pero es sólo una herramienta, que tiene sus propias posibilidades y limitaciones. Y no es un hecho que esperar a que la propia HC revele una característica sea peor o más costoso que alimentarla con algo visible, pero no lo mejor. Además, en el proceso de búsqueda, NS se centra en la maximización del beneficio (velocidad de crecimiento de la cuenta), y PC se centra en la persistencia de la PA, que todavía debe estar de alguna manera ligada a la CT y sólo entonces al crecimiento de la cuenta.
La tendencia (global) y Hurst no tienen nada que ver, Sergei. Hurst muestra, a grandes rasgos, la capacidad de las microtendencias. Es decir, el índice de Hurst dice algo sobre la microestructura de las series temporales, pero no sobre una tendencia. Parece que con H >> 0,5 (más cerca de 1) se puede hacer algo en una serie temporal (beneficio) - sólo porque no es martingala (las diferencias de las muestras vecinas están correlacionadas). Y no martingala - porque las muestras adyacentes son dependientes.
Te voy a enseñar fotos, aunque seguro que las has visto tú mismo. Todos ellos son del "Análisis Fractal" de Peters. Obsérvese que no hay tendencia en ninguna parte. Los valores de Hearst son 0,72 (arriba a la izquierda), 0,76 (arriba a la derecha), cerca de 0,9 (abajo a la izquierda) y bastante menos de 0,5 (abajo a la derecha). Ya sabes cómo es un proceso Wiener (H=0,5).
También es una imagen de calidad, por supuesto.
Ha aparecido algo de tiempo libre. Intentaré programarlo y publicarlo aquí. Utilizaré Matcad para hacerlos todos con explicaciones de dónde y cómo los modelé.
Mi objetivo no es obtener imágenes de buena calidad, sino investigar el exponente de Hearst, su rendimiento con diferentes señales de entrada (en modelos de prueba) y sobre esta base entender su campo de rendimiento y la posibilidad de utilizarlo.
Aquí están los modelos. Si crees que necesitas algo más, escríbelo.
Ahora tengo algo de tiempo libre. Intentaré programar todo y publicarlo aquí. Lo haré todo en Matcad, con explicaciones de dónde y cómo lo he modelado.
Propósito: obtener no buenas imágenes, sino estudiar el exponente de Hearst y su trabajo con diferentes señales de entrada (en modelos de prueba),
¿Cómo vas a conseguir la cifra de Hearst para la situación actual? Significa considerar un número limitado de barras N en este momento para calcular Hearst en esta muestra particular. Así que se necesita otro criterio para encontrar el momento en el pasado, a partir del cual se hacen los cálculos para el momento actual.
Y ahí es donde Rosh dio en el clavo. Se necesitan muchos datos históricos para calcular la cifra de Hearst. No se trata de una mutación cuyo recuerdo se limita a un periodo, sino de una característica global de la BP en su conjunto, o de una gran parte de ella.