Index de Hearst - page 15

 
Neutron >> :
J'ose vous assurer que "à l'œil", vous ne pouvez précisément pas déterminer avec certitude, où se trouve le M1, et où se trouve la semaine (par exemple pour une série d'EURUSD). Mais l'utilisation du SPX, montrera exactement la différence entre les différentes TF pour cette cotation.

Qu'est-ce que ça a à voir avec les statistiques. Les gens ont décidé qu'on ne peut pas le dire "à l'œil", donc c'est fractal. Et puis ils commencent à faire des théories. Malnenbrot et tous les autres fractalistes.


D'ailleurs, même le même Hurst présente des valeurs différentes selon les périodes. Même si ces valeurs ne sont pas très différentes, les tendances sont généralement visibles.

 

Qui connaît les options de l'ISC ?

Par exemple, la variante suivante. Après le premier calcul, nous déterminons les valeurs aberrantes et attribuons des poids aux points de données en fonction de celles-ci. Ensuite, nous répétons le calcul en tenant compte des pondérations.

La question est de savoir où cela est décrit de manière compétente, afin de ne pas réinventer la roue.

 
surfer >> :

Qui connaît les options de l'ISC ?

Par exemple, la variante suivante. Après le premier calcul, déterminez les valeurs aberrantes et utilisez-les pour attribuer des pondérations aux points de données. Ensuite, nous répétons le calcul en tenant compte des pondérations.

La question où il est décrit avec compétence, que de ne pas réinventer un vélo ?

Il est alors préférable de calculer l'écart-type et, lors d'un nouveau comptage, d'éliminer les points dont l'écart-type est 1,5 fois supérieur à la moyenne.

 
TheXpert >> :

Dans ce cas, il est préférable de calculer l'écart-type, puis de supprimer les points dont l'écart-type est 1,5 fois plus important que la moyenne.

C'est un cas extrême de ce que je demandais. Ce que vous suggérez signifie attribuer un poids à ces points =0

La question est la même, où est-il décrit de manière compétente ?

 
surfer писал(а) >>

Qui connaît les options de l'ISC ?

Par exemple, la variante suivante. Après le premier calcul, déterminez les valeurs aberrantes et utilisez-les pour attribuer des pondérations aux points de données. Ensuite, nous répétons le calcul en tenant compte des pondérations.

La question est de savoir où il est décrit correctement afin de ne pas réinventer la roue ?

Pourquoi ? Il y a des valeurs A, B, et il y a leurs intervalles de confiance.

 
Erics >> :

Pourquoi ? Il y a des valeurs A, B, et il y a leurs intervalles de confiance.

Je suppose qu'en fixant les pondérations, vous pouvez obtenir une courbe d'indice de variation plus lisse. Je veux le vérifier. Je peux bien sûr me contenter d'imposer la MA, mais ce n'est pas si intéressant, même s'il ne faut pas chercher des moyens trop compliqués :)

 
surfer >> :

C'est un cas extrême de ce que je demandais. Ce que vous proposez est d'attribuer un poids à ces points =0

La question est la même : où est-ce que cela est décrit intelligemment ?

Je ne sais pas, en partant du principe qu'un certain pourcentage de points de l'échantillon sort de l'échantillon et a un effet notable sur les résultats.

Vous pouvez bien sûr chercher le bon pourcentage des points les plus éloignés, mais c'est plus facile avec RMS.


En général, c'est le contraire de ce que vous avez dit. La bonne méthode consiste à ne pas prendre l'écart quadratique comme poids, mais l'inverse de celui-ci.

C'est là que se pose le problème de la division par 0.


Alors le coefficient peut être considéré comme -- 1/(1 + KO) .


La fonction cible répétée serait alors la suivante :


Summ ( 1/(1 + КО[i])*(а*x[i] + b - y[i])^2) -> min , i = 1..n
Seules les dérivées devront être recalculées à la main ;)
 
TheXpert >> :

Je ne sais pas, en partant du principe qu'un certain pourcentage de points de l'échantillon sort de l'échantillon et a un effet notable sur les résultats.

Vous pouvez bien sûr chercher le bon pourcentage des points les plus éloignés, mais c'est plus facile avec RMS.


En général, c'est le contraire de ce que vous avez dit. La bonne méthode consiste à ne pas prendre l'écart quadratique comme poids, mais l'inverse de celui-ci.

C'est là que se pose le problème de la division par 0.


Alors le coefficient peut être considéré comme -- 1/(1 + KO) .


La fonction objective répétée serait alors la suivante :


Seules les dérivées devront être recalculées à la main ;)

Votre version implique une somme de coefficients non égale à 1. C'est bien ça ? Il est probablement correct de les normaliser par leur propre somme.

(1/(1+KOi))/Somme(1/(1+KOi))

 
surfer >> :

Votre option implique un montant de coefficient non égal à 1. Est-ce correct ? Il est probablement correct de les normaliser par leur propre somme.

(1/(1+KOi))/Somme(1/(1+KOi))

C'est bon, ils sont utilisés dans la fonction cible, donc leur normalisation ne changera pas le résultat.

Vous pouvez vérifier si vous voulez.


J'espère que vous pourrez en déduire les dérivés ?

 
TheXpert >> :

C'est bon, ils sont utilisés dans la fonction cible, donc le rationnement ne changera pas le résultat.

Vous pouvez vérifier si vous le souhaitez.


J'espère que vous pouvez dériver les dérivés ?

Bien sûr :)