Fenómenos del mercado - página 28
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
El modelo de mercado
...Su esencia es muy sencilla. Hay un número finito de estructuras que describen la transformación de la entrada en la salida. Cada estructura de este tipo implica algún tipo de modelo según el cual se produce la transformación. El proceso observado está formado por una transición (conmutación) entre estructuras...
Colegas, voy a dejar el foro por un largo periodo de tiempo.
gpwr, el problema es que esta decodificación (o, más o menos lo mismo, el cambio entre estructuras) es muy probablemente no lineal.
Los vínculos lineales entre eventos (correlaciones de Pearson) desaparecen ya a pequeñas "distancias" entre eventos. Por distancia me refiero al número de unidades de TF base, es decir, al número de barras.
Hasta aquí no hay nada adicional que decir, ya que yo mismo voy a oscuras y a tientas.
Me parece que está pensando en la dirección correcta. También añadiría que los precios en un determinado intervalo de tiempo se representan no como simples recorridos entre estas estructuras, sino como sus combinaciones ponderadas. Lo importante es encontrar estas estructuras. ¿Qué son? ¿Vectores principales? ¿Senos y cosenos como en la transformada de Fourier? ¿Wavelets? Si alguien sabe cómo identificar correctamente estas estructuras a partir de una serie temporal, por favor, comparta sus ideas. Puede haber muchas opciones aquí, pero sólo una es correcta. Yo consideraría correctas las estructuras (wavelets) que menos tardan en describir el precio. Lo digo por mi experiencia en ingeniería de radio. La información digital que se transmite es 100110... pasa por un filtro digital/modulador DAC y se convierte así en una señal analógica con más valores que la información original. El proceso de representar los precios del mercado como transiciones entre estructuras es esencialmente idéntico al proceso de demodulación de una señal de radio (o de reducción de la dimensionalidad de los procesos estocásticos). Para demodular correctamente esta señal debemos saber con qué filtros (estructuras) fue codificada.
Como técnico de radio (desgraciadamente ya en el pasado) apoyo tu idea de la demodulación.
Se sugiere la idea de la detección sincrónica - lo principal es determinar la señal de referencia y el tipo de filtrado (más bien no lineal).
gpwr, el problema es que esta decodificación (o, más o menos lo mismo, el cambio entre estructuras) es muy probablemente no lineal.
Los vínculos lineales entre eventos (correlaciones de Pearson) desaparecen ya a pequeñas "distancias" entre eventos. Por distancia me refiero al número de unidades de TF base, es decir, al número de barras.
Hasta ahora no tengo nada adicional que decir, ya que yo mismo voy a oscuras y a tientas.
Mi interés en este tema se debe a su aplicación más práctica que la predicción de los precios del mercado. Ahora estoy más interesado en el desarrollo de sistemas de reconocimiento rápido del habla. Como sabemos, el habla se compone de fonemas (las mismas estructuras), cuyo conjunto forma una palabra. Por ejemplo, en la lengua rusa sólo hay 43 fonemas que forman entre 150 y 200 mil palabras. Estas palabras forman frases y discursos. El habla puede considerarse el equivalente a un precio de mercado, cuyos fonemas (estructuras) desconocemos. Por eso parece ruido (imagina el discurso de un alienígena). Los fonemas del habla son generados por las cuerdas vocales, la lengua, etc., es decir, por filtros de voz, cuya entrada es el ruido en forma de aire exhalado. Nuestra percepción del habla es también un proceso de filtrado de los sonidos a través de los filtros del oído interno, que están sintonizados con los diferentes fonemas. Es decir, en pocas palabras, una señal codificada (el habla) es la entrada (el oído) y la salida (en la corteza cerebral) es la señal (las palabras). La predicción del precio se reduce a predecir los futuros fonemas (estructuras). Pero eso no me interesa. Me interesa reconocer los fonemas pasados y presentes (estructuras). Para conseguirlo hay que tener un vocabulario de estos fonemas y correlacionar el discurso con estos fonemas conocidos (de forma simplificada, por supuesto). Si sabemos qué idioma habla nuestro interlocutor, basta con buscar el diccionario de fonemas correspondiente, descodificar el discurso en un texto y traducirlo con el diccionario. Pero, ¿y si no conocemos la lengua del hablante? ¿Cómo determinamos los fonemas a partir del habla? O, lo que es lo mismo, ¿cómo determinamos las estructuras a partir de las cotizaciones? Tenga en cuenta que el número de estructuras de precios tiene que ser del mismo orden que el número de fonemas del habla (10-100).
gpwr:
...
Tenga en cuenta que el número de estructuras de precios debe ser del mismo orden que el número de fonemas del habla (10-100).
Creo que ya estamos cerca del tema de los "patrones de mercado" (algunos fonemas, como usted escribe) - en particular su fijación y reconocimiento, por ejemplo por NS. Después se toma la decisión de negociar, ya sea al alza o a la baja. Así que es así.
Estoy de acuerdo. Hay muchos términos diferentes: fonemas, estructuras, patrones, ondículas, funciones base. Me gusta más el término funciones base. Me interesa la siguiente pregunta: ¿cómo se pueden determinar automáticamente las funciones de base cuando se conoce una serie temporal? Por supuesto, se puede examinar visualmente esta serie y encontrar triángulos, banderas y otras formas de aspecto agradable. Pero nadie ha demostrado aún que estos patrones sean estadísticamente importantes y no sólo un producto de la imaginación. Recuerda como en la anécdota:
El psiquiatra muestra diferentes fotos al paciente preguntándole "¿Qué ve en ellas?" Y el paciente dice "Un hombre y una mujer teniendo sexo". "Eres una especie de lujurioso", dice el médico. Y el paciente dice: "Bueno, tú mismo me mostraste esas fotos lascivas".
Identificar automáticamente las funciones de base estadísticamente importantes es un proceso complicado y no creo que nadie haya averiguado cómo hacerlo correctamente, ni siquiera con redes neuronales. Por supuesto, podemos simplificar la tarea y suponer de antemano que la serie temporal se divide en ondículas de Haar, o funciones trigonométricas como en las series de Fourier, u otras funciones de base que se suelen utilizar en la regresión. Y todas estas funciones de base reproducirán con éxito nuestra serie, ya sea una serie de precios o una serie de habla. Pero imagina que descomponemos el habla en ondículas de Haar, que no tienen nada que ver con los fonemas. Sería igual de absurdo descomponer una serie de precios en ondículas de Haar o funciones trigonométricas. Conviene mencionar la detección compresiva, cuya esencia es describir una señal con el menor conjunto de funciones base. Aunque hay muchos algoritmos de este método, todos suponen que conocemos las funciones de base. Si tienes alguna idea sobre el algoritmo para encontrar funciones base a partir de las series de precios, por favor compártela.
... En resumen, si alguien tiene alguna idea sobre un algoritmo para encontrar funciones base a partir de una serie de precios, por favor, compártalo.
Como técnico de radio (desgraciadamente ya en el pasado) apoyo tu idea de la demodulación.
Se sugiere la idea de la detección sincrónica - lo principal es determinar la señal de referencia y el tipo de filtrado (más bien no lineal).
Ya me gusta... Sergey, ¿cuáles son los principales principios de la física de la radio (telégrafo, etc.)?
Estoy de acuerdo. Hay muchos términos diferentes: fonemas, estructuras, patrones, ondículas, funciones base. Me gusta más el término funciones base. Me interesa la siguiente pregunta: ¿cómo se pueden determinar automáticamente las funciones de base cuando se conoce una serie temporal? Por supuesto, se puede examinar visualmente esta serie y encontrar triángulos, banderas y otras formas de aspecto agradable. Pero nadie ha demostrado aún que estos patrones sean estadísticamente importantes y no sólo un producto de la imaginación. Recuerda como en la anécdota:
El psiquiatra muestra diferentes fotos al paciente preguntándole "¿Qué ve en ellas?" Y el paciente responde "Un hombre y una mujer teniendo sexo". "Eres una especie de lujurioso", dice el médico. Y el paciente dice: "Bueno, tú mismo me mostraste esas fotos lascivas".
Identificar automáticamente las funciones de base estadísticamente importantes es un proceso complicado y no creo que nadie haya averiguado cómo hacerlo correctamente, ni siquiera con redes neuronales. Por supuesto, podemos simplificar la tarea y suponer de antemano que la serie temporal se divide en ondículas de Haar, o funciones trigonométricas como en las series de Fourier, u otras funciones de base que se suelen utilizar en la regresión. Y todas estas funciones de base reproducirán con éxito nuestra serie, ya sea una serie de precios o una serie de habla. Pero imagina que descomponemos el habla en ondículas de Haar, que no tienen nada que ver con los fonemas. Sería igual de absurdo descomponer una serie de precios en ondículas de Haar o funciones trigonométricas. Conviene mencionar la detección compresiva, cuya esencia es describir una señal con el menor conjunto de funciones base. Aunque hay muchos algoritmos de este método, todos suponen que conocemos las funciones de base. Si tienes alguna idea sobre el algoritmo para encontrar funciones base a partir de las series de precios, por favor compártela.