Discusión sobre el artículo "Introducción a la exploración de estructuras de mercado fractales con aprendizaje automático"
Es hermoso.
Pero si consideramos los atractores (de procesos caóticos) junto con los fractales, debemos tener en cuenta que los atractores son trayectorias en un espacio multidimensional oculto de adjuntos, del que sólo vemos una estrecha sección (proyección) como serie de precios. Es decir, un atractor no es un punto temporal (o una línea vertical) en el gráfico, sino una "figura" a lo largo de un fragmento de la serie de precios (por la supuesta longitud del ciclo del atractor = retardo de tiempo tau entre muestras * dimensionalidad del espacio de incrustación). Este espacio multidimensional es donde uno buscaría similitudes fractales.
Pero para un mercado abierto (a influencias externas), este enfoque no funciona, porque muy a menudo (y de forma impredecible) se produce un "empujón" a partir del cual los precios saltan de un atractor a otro.
Probablemente, es posible pegar el overnight plano y encontrar atractores relativamente constantes para una serie sintética de este tipo.
Es precioso.
Pero si consideramos los atractores (de procesos caóticos) junto con los fractales, debemos tener en cuenta que los atractores son trayectorias en un espacio multidimensional oculto de adjuntos, del que sólo vemos una estrecha sección (proyección) como serie de precios. Es decir, un atractor no es un punto temporal (o una línea vertical) en el gráfico, sino una "figura" a lo largo de un fragmento de la serie de precios (para la longitud esperada del ciclo del atractor = retardo de tiempo tau entre muestras * dimensionalidad del espacio de incrustación). En este espacio multidimensional es donde se buscarían las similitudes fractales.
Pero para un mercado abierto (a influencias externas), este enfoque no funciona, porque muy a menudo (y de forma impredecible) se produce un "empujón", a partir del cual los precios saltan de un atractor a otro.
Probablemente, es posible pegar el overnight plano y encontrar atractores relativamente constantes para una serie sintética de este tipo.
Hay muchas opciones, cualquier idea al respecto será bienvenida. Se ha pensado en utilizar de alguna manera la transformada de Takens.
Hasta ahora me he limitado a la correlación y/o regresión.
La segunda pregunta es si es necesario calcular los índices de Lyapunov y con qué fin. En particular, para estimar la caoticidad parece que no es necesario utilizar el índice superior, y es suficiente con que determinemos la región de saturación (si la hay) en la etapa de encontrar la dimensión de incrustación m y la dimensión de correlación D, ¿y este tipo de dependencia en sí significa caoticidad y previsibilidad? De lo contrario, no tendríamos m. Hasta ahora sólo es obvio que el conjunto completo de exponentes de Lyapunov no negativos se utiliza para estimar la entropía de Kolmogorov, y a partir de ella el intervalo de predictibilidad. ¿Aunque es mejor recalcular la predicción en el primer caso conveniente sin esperar a la expiración de este mismo intervalo, y por lo tanto los exponentes de Lyapunov y la entropía no son necesarios?
Otra pregunta, ¿qué valores de la pequeña vecindad r se deben ejecutar en el ciclo de cálculo de la integral de correlación? No he visto ninguna recomendación en ningún artículo.
Por último, me gustaría aclarar el algoritmo para recuperar las predicciones del espacio m-dimensional a series de 1 dimensión. No me resulta obvio en qué muestra discreta cae el valor predicho, dado que formamos vectores a partir de muestras espaciadas por τ durante la transformación hacia delante. +τ? Entonces, ¿deberíamos utilizar datos "ligeramente" desfasados para predecir el futuro más próximo de +1 a +(τ-1)?
El consenso de opinión de los miembros del foro (al menos entonces) es negativo.
Pruebas de previsión en la práctica a través de peiper-trading en EURUSD D1 durante varios meses (por V.A.Golovko - Métodos de Redes Neuronales de Procesamiento de Procesos Caóticos) mostraron resultados mixtos. Entonces no volví a este tema.
Lo hice:
Consenso de opiniones de los miembros del foro (al menos entonces) - negativo.
Pruebas de previsión en la práctica a través de peiper-trading en EURUSD D1 durante varios meses (de acuerdo con V.A.Golovko - Métodos de Redes Neuronales de Procesamiento de Procesos Caóticos) mostraron resultados mixtos. Entonces no volví a este tema.
Imho, es una cuestión de múltiples experimentos y la selección de las características adecuadas / patrón de marcado. Tal vez tengas suerte, tal vez no tanta.
¿alguna vez te pareció que Hearst era algo obvio cuando era dinámico?
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Usted acepta la política del sitio web y las condiciones de uso
Artículo publicado Introducción a la exploración de estructuras de mercado fractales con aprendizaje automático:
La teoría del caos describe sistemas con una "dependencia sensible de las condiciones iniciales", lo cual significa que un pequeño error en las condiciones iniciales puede provocar cambios drásticos a largo plazo. Este fenómeno se conoce a menudo como el "efecto mariposa". Los sistemas caóticos son impredecibles a largo plazo debido a esta sensibilidad, así como a su comportamiento aperiódico, dimensiones fractales, no linealidad y atractores extraños.
Los mercados financieros no son completamente aleatorios, sino que funcionan dentro de estructuras caóticas y no periódicas llamadas atractores extraños, que limitan el comportamiento de los precios dentro de ciertos rangos.
Esta limitada imprevisibilidad permite identificar patrones estadísticos y niveles de apoyo/resistencia. El concepto de atractores caóticos explica por qué los precios muestran movimientos repetitivos, pero no idénticos.
La Hipótesis de los Mercados Fractales (FMH), propuesta por Edgar Peters, afirma que los datos de mercado poseen una estructura fractal que depende de los horizontes de inversión. Durante las crisis, la estructura se derrumba, lo que conlleva una mayor volatilidad y una menor liquidez. A diferencia de la EMH, la FMH permite periodos de ineficiencia y previsibilidad del mercado, especialmente en condiciones de estrés.
Autor: dmitrievsky