De la teoría a la práctica - página 73
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
como es que sko es mejor que sao (desviación media absoluta). tal vezlos extremos están fuera... algo hay.
Conté las desviaciones de alguna escala. sko salió 12 puntos. soo salió 6 puntos.
Me pregunto qué puede significar la gran diferencia entre sko y co.
Para qué meterse con él, la fórmula está ahí. El RMS es, en efecto, mucho más común, yo diría que incomparablemente más común. En primer lugar, por la simplicidad y la eficiencia computacional que genera el método de los mínimos cuadrados (LSM). He aquí un ejemplo sencillo. Por ahora, voy a suponer que su media es la misma que en MNC, aritmética.
Hay muchas, muchas líneas. La Gran Enciclopedia Soviética por vía electrónica. Necesidad de calcular la fracción media del número de espacios en la línea, y cualquiera de los indicadores de dispersión de esta fracción, RMS o su desviación media modulo de este promedio (brevemente lo llamaré Cheb, a continuación, le dirá por qué.) Cada pase en todas las líneas es caro, los libros están en diferentes recursos de Internet, conexión de módem a través de par de cobre.Por lo tanto, para calcular RMS una pasada será suficiente (sólo copiar el número de líneas, la suma de fracciones de espacio y la suma de cuadrados de las fracciones de espacio, a partir de estas cantidades cuentan inmediatamente RMS), y para Cheb necesitan dos (la primera copia el número de líneas y la suma de fracciones, en ellos consideran la media, la segunda copia la suma de desviaciones absolutas de la media, cuenta la desviación Cheb). La diferencia de intensidad de trabajo es de 2 veces.
Y así, por donde quiera que se mire, hay una cuña, si es que hay que hacer algo con los métodos de Cheb. El problema de la aproximación de una función definida tabularmente genera unos costes de solución completamente diferentes. El caso más sencillo es sustituir la función por una constante. Según el MNA, se trata de la media aritmética, que se encuentra por todo claro cómo y en una sola pasada sobre la tabla de valores. La aproximación con minimización de la desviación absoluta se llama aproximación uniforme, o aproximación de Chebyshev. Se utiliza para encontrar la media que asegura el mínimo de la suma de desviaciones absolutas de cualquier constante. Piensa en cómo calcular la mediana. MQL tiene una función preparada para ello. Lo que hace es que primero ordena todos los elementos en orden ascendente. Esto no es lo mismo que encontrar la media aritmética.
Y así sucesivamente. Al mismo tiempo, hay que ser consciente de que la LOC distorsiona las ideas normales sobre un fenómeno. Por ejemplo, el nivel medio de los salarios. Los organismos de estadística se aprovechan de ello para informar de los salarios medios. Si una empresa tiene 25 empleados, de los cuales los 5 primeros ganan un millón y los otros 20 ganan 50.000, el salario medio aritmético será de 6/25=240.000 y la media será de 50.000.
Oh, cierto. Tal vez en el comercio deberíamos usar la desviación media...
porque no veo el sentido de la grapa.
No veo el sentido de usar sko. todos los valores de desviación al cuadrado. luego calcular el valor de desviación mediano al cuadrado. luego tomar la raíz de nuevo.
como csr es mejor que sao (desviación media absoluta). tal vezlos extremos están fuera... algo hay.
He calculado las desviaciones del mach. sko sale 12 puntos. soo sale 6 puntos.
Me pregunto qué nos puede estar diciendo la gran diferencia entre el sko y el co.
Sobre la sensibilidad del RMS a las emisiones. Al fin y al cabo, las desviaciones en las emisiones tienen un efecto al cuadrado, lo que equivale a un aumento drástico de su peso si habláramos de una media ponderada.
por el contrario, no los descarta, sino que aumenta su peso. en este sentido, sko es peor que sao.
entonces, ¿por qué todo el mundo la toma como referencia?
que vimos)
Una gran desviación de la sco respecto a la sao puede indicar que hay muchas emisiones, o que los valores de las desviaciones son muy diferentes, en lugar de ser todos casi iguales.
En efecto, al contrario, no los aplazan, ¡sino que aumentan su peso!
A grandes rasgos, todas las estadísticas proceden de la contabilidad de la energía o del trabajo (teoría de los gases). Lo cual no es del todo correcto, pero servirá).
La energía media de los cuerpos sería Wcp=(M*V1^2/2 + M*V2^2/2+...)/n. Es decir, los cuerpos, para realizar el trabajo, deben tener una velocidad media Vcp=sqrt(Wcp)/M. Las fórmulas son equivalentes.
La velocidad media no te dará absolutamente nada para estos cálculos.
En algún lugar del inicio del hilo, Alexander escribió que el mercado es autosimilar. Es decir, tiene las mismas propiedades en diferentes plazos.
Para averiguarlo, tomé varias MAs con períodos significativamente diferentes, las tracé en TF 1m y calculé las distribuciones con respecto a ellas. Se puede hacer rápidamente en la misma R.
Si el mercado es autosimilar, las distribuciones deberían superponerse al aumentar la escala. Resultó que no lo hacen, las distribuciones difieren significativamente, es decir, el mercado no es autosimilar.
De ello se desprende que las estrategias que operan en diferentes escalas de tiempo no pueden desplazarse a otra mediante el escalamiento, y probablemente en algunos casos no pueden desplazarse en absoluto.
La no similitud también confirma que las estrategias que operan en diferentes escalas de tiempo tienen una técnica muy diferente. Digamos que el scalping, el intradía, las estrategias a corto y medio plazo y las estrategias a largo plazo son técnicas de trading muy diferentes.
Quizás sea todo trivial, pero no había pensado en ello antes.
Según el hilo, la estrategia de Alexander es "operaciones raras que duran horas", aunque no lo sabemos con certeza, ya que sólo teníamos una demo delante.
Mis actividades están en una escala de tiempo diferente de la negociación, y sin la autosimilaridad del mercado, es una técnica totalmente diferente. En resumen, no es mi sector del mercado).
En otras palabras: es ridículo dar consejos a los comerciantes de Rolls Royce cuando tú mismo estás comerciando con chucrut. Por cierto, lo contrario también es cierto.
Me interesa la cuestión que ha planteado. En realidad, el hecho de que no haya solapamiento. Tomé los minutos del EURUSD durante dos años y decidí ver la dependencia del número de desviaciones N de una media rápida con el periodo T1 minutos de una lenta con el periodo T2 minutos para el tiempo total Tall en minutos sobre el tamaño de las desviaciones d en puntos de 4 dígitos 0,0001. Para las medias T1 y T2, calculamos las frecuencias muestrales de su diferencia en el intervalo semiabierto [d-0,5, d+0,5) y relacionamos esta frecuencia con d, denotándola por N(d,T1,T2).
Luego contamos la suma N(d,T1,T2) sobre todos los valores encontrados de d y dividimos N(d,T1,T2) por ella. Así, obtenemos las frecuencias relativas de las muestras n(d,T1,T2), cuya suma para cualquier par T1,T2 es la misma e igual a 1. No comparamos para dos pares (T1,T2) y (T3,T4), sino que comparamos entre ellos las desviaciones de la media Ti del curso, que es una media con periodo de 0 minutos, lo que reduce el número de cálculos. En realidad, demos 5 periodos de medias lentas a la vez: T1 = 4 T2 = 16 T3 = 64 T4 = 256 T5 = 1024, cubriendo periodos de 4 minutos a 17 horas. La media rápida de estas 5 medias lentas es una, T0 = 0, el propio curso. Es decir, recogemos las frecuencias N(d,Ti,0). Además, es mejor seguir la figura. Para el análisis se hizo una tabla en Excel (750 mil líneas 94 Mb) https://yadi.sk/d/97QaopiK3QbTv9 (80 Mb), que quiere - comprobarlo, tal vez he cometido un error.
Figura 1. Frecuencias de desviación de la muestra primaria en el rango de -350 a +350 puntos.
Podemos ver la simetría, así que sumamos las frecuencias para las desviaciones de distinto signo y aplicamos la logaritmización también al eje de abscisas. También aumentamos todas las frecuencias en 1 para excluir los problemas de cálculo de los logaritmos. Obtenemos la Fig. 2. Una vez calculadas las sumas de las frecuencias de las muestras, las dividimos entre ellas, y así pasamos a las frecuencias relativas. La Fig. 2 ya muestra que las curvas tienden a ser equidistantes. Tengamos en cuenta también la amplitud de oscilación de cada uno de los SMA. Utilizando la ley de la raíz cuadrada (EQC https://www.mql5.com/ru/forum/193378/page16#comment_5116118 fórmula (2), la escala de oscilación de una media es proporcional a la raíz de su periodo) divide d por Ti^0,5. La siguiente Fig. 3 muestra curvas que se acercan aún más. La segunda vez que aplicamos el ZKC directamente a las propias oscilaciones, su magnitud resulta ser inversamente proporcional al cuadrado de la frecuencia. En la Fig. 4 se realiza el último paso de reducción de las distribuciones a la forma de automodelo.
Dime, Yuri, ¿qué tipo de autosimilaridad buscabas? ¿No es el que se me ocurrió?
genial, queda un pequeño paso para ti (con tus habilidades) y un gran paso para la humanidad:
Identificar en un ciclo de tiempo poco profundo las características de uno mayor que se está formando en el mismo momento, con un ligero desplazamiento para la predicción. Y extrapolar el resto a un ciclo con un periodo diferente. Esa sería la previsión.
Por cierto, a mí no me funcionó pero soy un zoquete en matemáticas y lo hice mediante correlación y rotación afín de ciclos (pueden existir ciclos similares en diferentes ángulos), y las dependencias ahí pueden no ser tan permisivas. :)
O mejor dicho, algo funcionó, pero no estoy satisfecho con los resultados... Puedo darles ejemplos de código y fotos
Me interesa la cuestión que ha planteado. En realidad, el hecho de que no haya solapamiento. Tomé minutos de EURUSD durante dos años y decidí ver la dependencia del número de desviaciones N de una media rápida con el periodo T1 minutos de una lenta con el periodo T2 minutos para el tiempo total Tall en minutos sobre el tamaño de las desviaciones d en puntos de 4 dígitos 0,0001. Para las medias T1 y T2, calculamos las frecuencias muestrales de su diferencia en el intervalo semiabierto [d-0,5, d+0,5) y relacionamos esta frecuencia con d, denotándola por N(d,T1,T2).
Luego contamos la suma N(d,T1,T2) sobre todos los valores encontrados de d y dividimos N(d,T1,T2) por ella. Así, obtenemos las frecuencias relativas de las muestras n(d,T1,T2), cuya suma para cualquier par T1,T2 es la misma e igual a 1. No comparamos para dos pares (T1,T2) y (T3,T4), sino que comparamos entre ellos las desviaciones de la media Ti del curso, que es una media con periodo de 0 minutos, lo que reduce el número de cálculos. En realidad, demos 5 periodos de medias lentas a la vez: T1 = 4 T2 = 16 T3 = 64 T4 = 256 T5 = 1024, cubriendo periodos de 4 minutos a 17 horas. La media rápida para estas 5 medias lentas es una, T0 = 0, la tasa en sí. Es decir
recogemos las frecuencias N(d,Ti,0). Además, es mejor seguir la figura. Para el análisis hice una tabla en Excel (750 mil líneas, 94 Mb) https://yadi.sk/d/97QaopiK3QbTv9,(80 Mb) que quiere - comprobar, puede ser que he cometido un error.
Figura 1. Frecuencias de muestras primarias de desviaciones en el rango de -350 a +350 puntos.
Podemos ver la simetría, así que sumamos las frecuencias para las desviaciones de distinto signo y aplicamos el logaritmo al eje de abscisas. También aumentamos todas las frecuencias en 1 para excluir los problemas de cálculo de los logaritmos. Obtenemos la Fig. 2. Una vez calculadas las sumas de las frecuencias de las muestras, las dividimos entre ellas, y así pasamos a las frecuencias relativas. La Fig. 2 ya muestra que las curvas tienden a ser equidistantes. Consideremos también la amplitud de oscilación de cada uno de los SMA deslizantes. Utilizando la ley de la raíz cuadrada (EQC https://www.mql5.com/ru/forum/193378/page16#comment_5116118 fórmula (2), la escala de oscilación de una media es proporcional a la raíz de su periodo) divide d por Ti^0,5. La siguiente Fig. 3 muestra curvas que se acercan aún más. La segunda vez que aplicamos ZKC ya directamente a las propias oscilaciones, su magnitud es inversamente proporcional a la frecuencia. En la Fig. 4 se realiza el último paso de reducción de las distribuciones a la forma de automodelo.
Dime, Yuri, ¿qué tipo de autosimilaridad buscabas? ¿No es el que se me ocurrió?
¿Y si hacemos todo esto en parcelas de paseo aleatorio con varillas de diferente periodo?
En algún lugar del inicio del hilo, Alexander escribió que el mercado es autosimilar. Es decir, tiene las mismas propiedades en diferentes plazos.
Para averiguarlo, tomé varias MA con periodos significativamente diferentes, las tracé en TF 1m y calculé las distribuciones con respecto a ellas. Se puede hacer rápidamente en la misma R.
Si el mercado es autosimilar, las distribuciones deberían superponerse al aumentar la escala. Resulta que no es así, las distribuciones difieren significativamente, es decir, el mercado no es autosimilar.
¿Puedes darme algunas imágenes? ¿Cómo hacer el escalado?