Resonancia estocástica - página 16
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
Interesante artículo http://elementy.ru/lib/164581
Entonces, ¿qué tenemos? Hay ruido, bastante fuerte: la volatilidad. Hay una débil señal regular (apenas periódica, pero definitivamente está ahí). La debilidad de la señal regular se confirma por un valor de retorno muy bajo en comparación con la propia volatilidad incluso en tendencias fuertes. Ya di estos valores en algún lugar por el ejemplo: EUR va tendencia ascendente en los datos diarios durante 6 años que es alrededor de 1600 barras diarias. Durante este período de tiempo EUR ha pasado por 6000 puntos. Por lo tanto, la expectativa es de menos de 4 pips (bajo impacto regular). Al mismo tiempo, la volatilidad en las barras diarias es de unas decenas de puntos (ruido).
Los estados estables son planos en los máximos durante los retrocesos o correcciones. Las tendencias son estados inestables de transición de un plano a otro. Antes de una tendencia, una señal regular es amplificada por el ruido plano y aparece como saltos bruscos, a menudo momentáneos, de un nivel a otro.
¿Cómo podemos aprender algo práctico de esto?
P.D. Por ejemplo, ¿cómo podemos extraer sólo el componente aleatorio (puro ruido) de la volatilidad para obtener una señal regular? Se sabe que la volatilidad es un proceso antipersistente. La simple sustracción de una constante no funcionará, ya que la señal se hace más fuerte durante la tendencia. ¿Detendencia? ¿Y a qué equivale el coeficiente de amplificación?
Hola.
Llevo mucho tiempo utilizando resonancias en mis sistemas. Sin revelar ninguna opción especialmente interesante, puedo decir lo siguiente: tome cualquier indicador de tendencia.
Haces otro con 2 periodos del mismo indicador y obtienes las resonancias en los picos y valles del mercado.
Lo único que hay que aprender es a identificar el momento de entrar en una posición. Adjunto una captura de pantalla de uno de estos indicadores.
Creo que como una de las copias del indicador tiene un periodo mayor que la otra, es necesario afinar por pares y TF para conseguir resonancias claras.
Creo que deberías seguir la tendencia y tener más beneficios.
Supongamos que existe una secuencia de valores X con distribución normal. El número de miembros de la secuencia es N=1000000, el valor medio es A y la ska es S. Obviamente, el conjunto de valores de los elementos X está acotado por arriba, es decir, todos los X pertenecen al intervalo [0,Xmax]. Tomamos una muestra de M=100 miembros de la secuencia y calculamos su media XM. Formamos una nueva secuencia Y = {XM} a partir de todas las muestras secuenciales que contienen M elementos de la secuencia original. Es evidente que el conjunto de valores de Y también está acotado.
¿Cómo encontrar sus límites superior e inferior, es decir, el intervalo de valores [Ymin,Ymax]?
Naturalmente, me interesa la evaluación analítica por medio de la estadística matemática (en la que, por desgracia, no soy fuerte). Calcular de frente no es difícil, pero no es interesante. Es interesante obtener una dependencia de los límites del intervalo con la relación de N y M y las propiedades estadísticas de la secuencia inicial.
Si X es una variable aleatoria, entonces Y es la suma de M variables aleatorias independientes con la misma distribución que X. Por lo tanto, si X es normal, entonces Y también será normal, con una varianza S/sqrt(M). La cuestión de los valores máximos y mínimos sólo puede plantearse para una realización concreta de la serie (es decir, cuenta de frente), para una realización arbitraria sólo podemos hablar de probabilidades.
P.D. Lo anterior no significa que me considere un especialista en estadística matemática :)
Tampoco pretendo ser un experto, pero la varianza de la suma de Nsum=la suma de varianzas. Así que Dsum=M*D => Ssum=sqrt(M)*S (Ssum-sigma de la distribución Y, S-sigma de la distribución X).
La expectativa matemática de la suma de variables aleatorias es igual a la suma de expectativas matemáticas Asum=M*A
La probabilidad de SV Y en cualquier intervalo se puede encontrar utilizando las tablas de valores de la función de Laplace. Por ejemplo, como consecuencia en 3 sigmas será con probabilidad 0,9973. Significa que esta probabilidad estará en el rango: -3*Suma+Suma<Y<3*Suma+Suma => -3*S*cuadrado(M)+A*M<Y<3*S*cuadrado(M)+A*M
Por ejemplo. Si se conoce la función de distribución, entonces para cualquier X0 conocemos la probabilidad P de tener un elemento con valor >=X0 en la secuencia. Si la secuencia contiene N elementos, el número total de elementos de la secuencia que satisfacen la condición X>=X0 es P*N. Si este valor es menor que 1, es decir, 0, entonces estadísticamente Xmax<X0. Pero, por supuesto, no significa que de hecho ningún elemento >=X0 pueda aparecer en dicha secuencia.
... Si X>=X0, la expectativa matemática del número de elementos de la secuencia que satisfacen la condición es P*N. Este valor es siempre menor que 1 (a menos que la función de distribución se corte artificialmente, por supuesto). La probabilidad de que no haya ningún número >= X0 en la secuencia de longitud N es (1-P)^N.
P. S. Las palabras "Esta cantidad es siempre menor que 1 (a menos que la función de distribución se trunque artificialmente)" se refieren a P, es decir, no aportan información esencialmente nueva y son redundantes en esta frase :)
Tampoco pretendo ser un experto, pero la varianza de la suma de NSV=la suma de varianzas. Por tanto, Dsum=M*D => Ssum=sqrt(M)*S (Ssum-sigma de la distribución Y, S-sigma de la distribución X).
Tampoco pretendo ser un experto, pero la varianza de la suma de NSV=la suma de varianzas. Por tanto, Dsum=M*D => Ssum=sqrt(M)*S (Ssum-sigma de la distribución Y, S-sigma de la distribución X).
¿Dónde está la condición: dividido por M?
¿De dónde viene la condición: dividido por M?
Yurixx escribió (a):
..
.Tomamos una muestra de M=100 miembros de la secuencia y calculamos su media XM. Forma una nueva secuencia Y = {XM} ...
Alimentamos una neurona - un oscilador con un periodo de media pequeño a la entrada, y otra - un oscilador con un periodo grande a la entrada. Añade otra neurona con un oscilador de periodo muy largo.
Las salidas de estas neuronas se introducen en la entrada de la cuarta neurona que ya emite datos sobre la resonancia: si el número está en torno a cero, no hay resonancia; si está por encima de cero y crece, entran en resonancia un impulso ascendente y una tendencia ascendente; y viceversa: si está por debajo de cero y cae, entran en resonancia un impulso descendente y una tendencia descendente.
¿De dónde viene la condición: dividido por M?
Yurixx escribió (a):
.
..Tomamos una muestra de M=100 términos de la secuencia y calculamos su media XM. Forma una nueva secuencia Y = {XM} .
..Entonces lo siento, no entendí las condiciones.
Si se considera una serie de medias, e incluso en tramos superpuestos, son dependientes. Hay que tener en cuenta el incremento (será independiente).
XMi - XMi-1=(Xi - Xi-M)/M
Parece sugerir que este SV tiene la matriz expectativa=0, D=2*D1/M, RMS=sqrt(2*D1/M)
Si esto es correcto, entonces continúa con la tabla de valores de la función de Laplace.
Si se considera una serie de medias, e incluso en parcelas superpuestas, son dependientes.
Yurixx escribió (a):
Formar una nueva secuencia Y = {XM} a partir de todas las muestras consecutivas que contengan M elementos de la secuencia original.
Así que serán simplemente independientes
Si se considera una serie de medias, e incluso en parcelas superpuestas, son dependientes.
Yurixx escribió (a):
Formar una nueva secuencia Y = {XM} a partir de todas las muestras consecutivas que contengan M elementos de la secuencia original.
Así que serán simplemente independientes
Entonces no funcionará:
Yurixx escribió (a):
No, sólo estamos hablando de una ventana deslizante de longitud M de muestras. Por tanto, el número de elementos de la secuencia Y es N-M+1.