FR Volatilidad H - página 2
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
Si puede, por favor, explique estos conceptos con más detalle. Lamentablemente, no conozco la terminología. Me gustaría mucho entender qué tipo de PA estáis analizando, cómo se obtiene, para entender lo que tenéis aquí en el gráfico.
Estamos hablando del Zig-Zag más común. Intentamos comprender cómo se relaciona la altura media de los pliegues en Zig-Zag con el paso de formación. El gráfico muestra todas las variaciones de altura y su frecuencia de aparición para un paso H=10 puntos.
Pero, por cierto, existe otra relación para el proceso de Wiener que puede utilizarse como criterio de arbitraje. Como la distribución gaussiana tiene una media y sko explícitas, tenemos sko/media = raíz(pi/2). Y esto también es cierto para cualquier parámetro de la partición H. Es interesante comprobar lo que realmente tenemos, por ejemplo, para esa distribución en su imagen.
Para los FR simétricos es cierto: sko=SQRT(Sum[(M-x)^2]/[n-1]), mean=Sum[(M-x)]/n), entonces sko/mean != root(pi/2).
Explique, ¿qué quiere decir con eso?
Por lo que entiendo, en tus fórmulas M es sólo la media, es decir, el 1er momento central, y n es el número de elementos de x. Y estas son fórmulas para determinar el cúmulo y la media sobre n elementos, es decir, sobre la muestra. Y me refiero a los valores límite para toda la secuencia normalmente distribuida {x}.
Por cierto, me equivoqué. No me refería a la media, sino a la media del módulo. Así, para la FR gaussiana, que se supone describe la distribución de las primeras diferencias del movimiento browniano unidimensional, con M=0 y sko>0, la integral de |x| (es decir, la media del módulo) se calcula en forma analítica y = sko*raíz(2/pi). De ahí que obtengamos esa proporción.
Para una muestra, por supuesto, las diferencias son posibles. Pero para números como 10^6 ticks, esta diferencia no debería ser significativa. Especialmente si los extremos de este intervalo no están muy separados. Pero esto es sólo si el proceso es wieneriano y se describe mediante una distribución normal.
Por cierto, estaba equivocado. No me refería a la media, sino a la media del módulo. Así, para la FR gaussiana, que se supone describe la distribución de las primeras diferencias del movimiento browniano unidimensional, con M=0 y sko>0, la integral de |x| (es decir, la media del módulo) se calcula en forma analítica y = sko*raíz(2/pi). De ahí que obtengamos esa proporción.
Para una muestra, por supuesto, las diferencias son posibles. Pero para números como 10^6 ticks, esta diferencia no debería ser significativa. Especialmente si los extremos de este intervalo no están muy separados. Pero esto es sólo si el proceso es wieneriano y se describe mediante una distribución normal.
Ahora todo es correcto, incluso para una muestra tenemos: sk*raíz(2/pi). Pero el proceso está lejos de tener una distribución normal:
y no es Wieneriano en absoluto (un correlograma de signo-variable diferente de cero):
Ahora todo es correcto, incluso para la muestra que tenemos: sko*root(2/pi). Pero el proceso está lejos de la distribución normal:
y, desde luego, no la de Wiener (un correlograma de signo diferente de cero):
Interesante, así que para los ticks del EURJPY la relación |x|=sco*root(2/pi) se mantiene, pero la distribución es diferente de la normal?
¿Y cómo se determina si es normal o no? Sería bueno ver al mismo tiempo la distribución normal en el gráfico de FR.
Pero todo está claro con la familiaridad del carrelograma. Si se traza para los segmentos en zigzag (cualquiera), entonces está absolutamente claro que para los segmentos vecinos (y todos los desplazamientos impares) la correlación será negativa, pero para todos los desplazamientos pares - positiva. Pero si se traza para las primeras diferencias de ticks, entonces, supongo, la imagen será diferente.
¿Cómo se determina si es normal o no? Sería bueno ver en un gráfico de FR al mismo tiempo una distribución normal.
Por favor:
Bueno, casi lo hace:
En cuanto a la familiaridad del carlograma, todo está claro. Si se dibuja para los segmentos de un zigzag (cualquiera), está claro que para los segmentos vecinos (y todos los desplazamientos impares) la correlación será negativa, pero para todos los desplazamientos pares - positiva. Pero si se construye para las primeras diferencias de ticks, supongo que el panorama será diferente.
No lo entiendo, Yura. He trazado el correlograma para las primeras diferencias de ticks (el Zig-Zag no tiene nada que ver), mostrando la relación del tick "actual" con cada uno, cada vez más lejos. Puedo mostrar la dependencia del coeficiente de correlación entre las primeras diferencias, formadas por los recuentos de n ticks en cada una:
Hay algo que parece que no entiendo. En una escala logarítmica, la distribución normal debería parecerse a una parábola invertida (es decir, -x^2). En esta imagen parece una relación lineal (es decir, -x) y en el post anterior parece una hipérbola (es decir, 1/x). Si no entiendo algo, corrígeme.
Pero si tengo razón, entonces esta distribución tampoco es normal.
En cuanto al correlograma, lo entiendo, me he equivocado. De hecho, una variación de signo tan clara es sorprendente. Aunque es evidente un valor negativo significativo para Lag=1. Incluso en esa discusión estábamos convencidos de un rendimiento esencial del mercado, especialmente a nivel de ticks. Y, por cierto, obtuve valores muy pequeños de Hvol para los ticks, aproximadamente a 1,40-1,50. El último correlograma muestra, según entiendo, que la reversión del mercado persiste en todos los niveles, pero tiende asintóticamente a cero con bastante rapidez. ¿De acuerdo?
La diferencia entre 0,89 y 0,80, en mi opinión, no es grande, pero sí muy grande. Eso es más del 10%. Piensa en las diferencias que obteníamos por Hvol de dos. Principalmente se situaron en el rango 1,95-2,05. Una diferencia del 10% es 1,80 (que sólo fue para las garrapatas) o 2,20 (que nunca se observó). Así que, en mi opinión, la diferencia con respecto a la distribución normal que muestra esta proporción es satisfactoria. La única cuestión es hasta qué punto su diferencia con respecto a 0,80 en una u otra dirección puede utilizarse como medida de persistencia-antipersistencia.
PS
Publicado y luego he visto que has cambiado la imagen y tiene una parábola invertida. :-))
El último correlograma muestra, según entiendo, que los rendimientos del mercado persisten en todos los niveles, pero tienden asintóticamente a cero con bastante rapidez. ¿Está de acuerdo?
Estoy de acuerdo. Sólo me gustaría que pudiéramos aprender a utilizar esta propiedad de BP con eficacia.
Así que, en mi opinión, la diferencia con respecto a la distribución normal que muestra este ratio es satisfactoria. La única cuestión es hasta qué punto su diferencia con respecto a 0,80 en una u otra dirección puede utilizarse como medida de persistencia-antipersistencia.
Por qué introducir una nueva medida de consistencia-antipersistencia, ya que el ACF hace un excelente trabajo. ¿O hay algo que no nos estás contando?
Estoy de acuerdo. Me gustaría que pudiéramos aprender a utilizar esta propiedad de BP con eficacia.
¿Por qué introducir una nueva medida de persistencia-antipersistencia cuando el ACF está haciendo un gran trabajo? ¿O hay algo que no nos estás contando?
El uso de este caso es una pregunta. A pesar de la simplicidad de la estrategia de Shepherd y de su aparente obviedad, creo que hay trampas en ella que hemos pasado por alto.
He construido una distribución logarítmica para los ticks y para varios zigzags y he obtenido los mismos resultados que tú: para los ticks se obtiene una curva similar a una hipérbola, para los zigzags - líneas rectas. Por lo tanto, aquí no hay olor a distribución normal. Me pregunto por qué las distribuciones de los ticks y los zigzags (construidos sobre ticks) son principalmente diferentes. Porque un tick es el mismo zigzag, sólo que con el menor valor del parámetro H=1.
No he propuesto introducir una nueva medida, simplemente he afirmado que esta relación puede utilizarse como tal. En general, tanto en física como en matemáticas, cualquier problema puede resolverse de varias maneras. Al mismo tiempo, hay más formas, no menos razonables, de resolver el mismo problema. Al igual que la solución de una ecuación de Diphu es posible en algunas coordenadas y no en otras. No tengo nada en contra de ACF, es sólo que para mí este método no es tan familiar como otros. Además, en ACF tienes que establecer un Lag fijo, que será igual al número de ticks o barras. Se trata, por así decirlo, de fijar la ventana en el eje de abscisas. Pero si estamos construyendo un zigzag, cada sigmento puede contener un número absolutamente diferente de ticks (barras). Se trata ya de una fijación de una ventana a lo largo del eje de ordenadas, la llamada modulación delta. Estos dos métodos difieren fundamentalmente entre sí.
Sin embargo, cada uno tiene sus ventajas y desventajas. Entre las ventajas del ACF, mencionaría la posibilidad de trazarlo como una función continua y relativamente suave. Esto no es posible con el método del zigzag. Tal vez tenga sentido utilizar ambos. Algo así como el principio de adicionalidad de la mecánica cuántica. :-)
Hagamos lo siguiente. Calcularé (Hvol-2) y el ratio (sko/|x|-0. 80) para todos los H desde H=1 (tick zigzag) hasta H=50 para el EURUSD todos los ticks de 2006 y para el modelo de series normalmente distribuidas de 2200000 cuentas, que luego utilizamos para comparar. Y tú haces lo mismo con el ACF. Compararemos las fotos. En el peor de los casos, veremos que las variantes son equivalentes. En el mejor de los casos, que se complementen mutuamente.
¡Vamos!
¿Qué debo construir? - Un diagrama de perforación para el Zig-Zag o para las particiones Kagi para H=1...50. Que no son la misma cosa es evidente en la imagen. En él, el zig-zag blanco es la extremidad propiamente dicha, y la línea discontinua azul-roja es la cagi-partición:
Está claro que el correlograma para el Zig-Zag es inútil de construir - será definitivamente de signo variable y tenderá a 1. Las construcciones Kagi pueden ser interesantes...
Entonces, ¿debería hacer lo mismo para un proceso de Wiener con idéntica volatilidad, o para una serie modelo normalmente distribuida con el mismo correlograma que la real?
Siento ser una carga. No quiero hacer las cosas mal.
¿Qué debo trazar?
Sergey, mira lo que he hecho y lo entenderás todo.
A continuación se muestran los gráficos de la relación Hvol y sko/|leg| con el parámetro H zigzag trazado para los ticks del EURUSD 2006. (1969732 ticks) y SV (2200000 ticks). El cálculo se realiza para el área de los valores H=1 ... 50. De hecho, se trata de una partición kagi. En el caso de las barras pueden no coincidir con un zigzag, pero en el caso de los ticks sí. |leg| es un valor medio de la longitud del segmento en zigzag.
Por comodidad, la diferencia (Hvol - 2) y la diferencia (sko/|leg| - root(pi/2)) se representan en rojo para mostrar inmediatamente la diferencia con el valor Hvol=2 que debería tomar la volatilidad H para el mercado no arbitrado y la diferencia con el valor 1,253314 que debería tomar sko/|leg| para la distribución normal.
De estos gráficos se desprende lo siguiente.
1. El Hvol para los datos reales y para el modelo CB convergen ambos a 2, pero desde diferentes direcciones. Para los datos de las garrapatas y los valores pequeños de H, la diferencia con respecto a 2 es significativa. Y, efectivamente, para los intervalos pequeños, los rendimientos del mercado son significativos. Creo que por eso las estrategias de pips tendrían una buena oportunidad si no fuera por el spread y la prohibición del broker.
2. la relación sko/|leg| diferirá de la raíz(pi/2)=1,253314 para casi todos los valores de H de los datos reales y de las series modelo. La única excepción es H=1 para el modelo SV. Esto sugiere que la partición Kagi (creo que la partición Renko también) tiene una distribución diferente de la distribución normal, incluso si la serie original en la que se basa se distribuye normalmente. Y si lo es, entonces todas las teorías y modelos que se basan en una distribución normal son deliberadamente defectuosos.
3. Resulta que para los datos reales el valor medio de un segmento en zigzag está mucho más cerca del valor de sko que para las series con distribución normal. Dado que el sko es una medida de la volatilidad, y por tanto del riesgo, el riesgo del juego con datos reales es menor que con datos normalmente distribuidos. ¿Quizás por eso todavía es posible ganar en Forex?
Pero eso no es todo. Siguiendo con mi frikismo, decidí asegurarme de que la serie del modelo está efectivamente distribuida de forma normal. Y se llevó una desagradable sorpresa. Sergei, aquí está el FR para el euro y para esa gama de modelos. No importa cómo se gire una parábola invertida para las garrapatas no funciona.
Pero por los euros obtenemos exactamente las mismas curvas que tú. ¿Quizás sea porque intencionadamente has intentado reproducir las características de la serie real en esta serie modelo? En cualquier caso, me gustaría ver cómo se comportará el edificio kagi y sus parámetros y el phd en la CB normal. A mí, por ejemplo, me resulta muy extraño ver que las distribuciones para las garrapatas y para los zigzags construidos sobre estas garrapatas son fundamentalmente diferentes entre sí.