una strategia di trading basata sulla teoria dell'onda di Elliott - pagina 61
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Per applicare l'approccio suggerito nel libro, dovete fare esattamente le stesse cose che sono descritte nel libro. Il libro dà un esempio dettagliato SOLO per il traffico browniano! Cioè, mostra come un campione di "afflussi" di moto browniano dovrebbe apparire visivamente a diversi coefficienti Hurst. Se prendete un generatore di numeri casuali e poi create transazioni interdipendenti nel rumore bianco impostando la loro probabilità di accadimento, otterrete più o meno le stesse immagini del libro. Cioè si otterrà prima il rumore di osservazione frattale (un campione di "affluenti"), sommandolo si otterrà il moto fisico di qualcosa (in questo caso l'oscillogramma del rumore browniano). Dall'ampiezza del moto fisico vedrete che più grande era il vostro fattore Hearst (probabilità di transazioni interdipendenti), più grande risultava la diffusione dell'ampiezza del moto fisico stesso. Cosa possiamo capire in definitiva dall'esempio del libro? Possiamo solo capire quello che ho già detto: "maggiore è il rapporto Hearst (probabilità di transazioni interdipendenti), maggiore è l'ampiezza dell'ampiezza del movimento fisico stesso". Poi rispondi solo, per favore, cosa ci dà esattamente questa informazione in termini predittivi? Posso rispondere precisamente - NULLA, tranne quello che ho scritto 2 volte (determiniamo solo il grado di interdipendenza delle transazioni)! Cosa fanno gli autori dopo nel libro? Applicano il calcolo proposto (analisi del moto browniano) a diversi mercati di capitale. Su tutti i mercati (o quasi) l'indice Hurst è superiore a 0,5, in particolare per EURUSD è 0,64, se non mi dimentico. E poi? BENE, NULLA! A parte il fatto che sappiamo che gli scambi sui mercati sono per lo più interdipendenti. Ma supponiamo di saperlo sempre, che la gente sia più propensa ad andare con la tendenza che contro di essa, guardando in che direzione si è mosso il prezzo ieri. A causa di questo ci sono periodi di chiara tendenza nei mercati basati sul movimento precedente. È ovvio per tutti. E Vladislav ha cercato di applicare questo approccio per prevedere i canali di regressione lineare. Cioè, ha cambiato significativamente il modo di calcolare le "maree" basate sul movimento dei prezzi esistenti per rispondere alla domanda "Cosa succederà al canale in un futuro molto prossimo - continuerà o finirà la sua esistenza".
L'evidenziato "SOFTLY THERE" indica che mi sono sbagliato? Può darsi, ma sembra che mi sia sforzato molto e abbia fatto tutto secondo le regole. E in esso si afferma l'approccio generale al calcolo dell'indice, e come esempio si dà il risultato per il moto browniano e per il ciclo 19 della serie Wolf (onestamente, non so cosa sia).
Ho controllato il mio algoritmo con il random walk e ho ottenuto un risultato quasi corretto (ho allegato il grafico log(R/S) da log(N)).
Negli algoritmi di Vladislav e nei tuoi, alla fine viene eseguita una stima approssimativa dell'indice stesso, con la formula H=log(R/S)/log(0,5*N) - esattamente come nel libro. E come ho scritto prima, ho deciso di implementare un algoritmo più accurato.
Grazie per la spiegazione dettagliata, non avevo capito bene alcuni dettagli dell'approccio di Vladislav. Ora sembra chiarirsi. Non metto in dubbio i calcoli tuoi e di Vladislav, soprattutto perché funzionano bene.
:о)))))
No, non ti sbagli! Con "ESATTAMENTE STESSO" intendevo dire che l'approccio utilizzato nel libro è adatto solo per risolvere il problema per il quale è stato sviluppato, e che ho ripetuto più volte - "stimare l'interdipendenza delle transazioni (maree) sotto qualche processo simile al processo browniano". Ma usarlo per risolvere il nostro problema di "prevedere i movimenti lungo il canale in un futuro molto prossimo" nella forma in cui è dato nel libro, NON è assolutamente possibile! Vladislav lo ha messo a punto per il nostro problema in termini di campionamento "di marea" prendendo come media il valore previsto di un canale di regressione lineare tracciato su un campione che non include la barra attuale. Se per pensare in profondità al senso di quella revisione, che lui ha suggerito, ci può volere almeno una dissertazione di dottorato (in matematica o in economia, a seconda di ciò su cui ci si concentra di più) con un'adeguata elaborazione e presentazione di materiale supplementare ;o))))! Vladislav pensaci, se ne hai bisogno!
No, non vi sbagliate! Con "ESATTAMENTE lo stesso" intendevo dire che l'approccio utilizzato nel libro è adatto solo per risolvere il problema per il quale è stato sviluppato, e che ho già ripetuto più volte - "stimare l'interdipendenza delle transazioni (maree) in qualche processo simile al processo browniano". Ma usarlo per risolvere il nostro problema di "prevedere i movimenti lungo il canale in un futuro molto prossimo" nella forma in cui è dato nel libro, NON è assolutamente possibile! Così Vladislav l'ha migliorato per il nostro problema in termini di ottenere un campione di "maree" prendendo come livello medio il valore previsto del canale di regressione lineare costruito sul campione che non include la barra attuale.
Sì, ma l'algoritmo dato nel libro non impone alcun requisito speciale per il contenuto di "inflow". Almeno io non ho trovato niente del genere lì e una delle domande che abbiamo discusso è stata quale dovrebbe essere l'afflusso. Ho ricevuto preziosi consigli da voi. Grazie.
Non è la media Hurst che viene calcolata, ma le due coordinate Y=Log(R/S) e X=Log(N). E anche cosa farne sembra essere chiaro.
C'è un'equazione Y=Y(X) che assomiglia a questa: Log(R/S) = H*Log(N) + A. Devi costruire una regressione lineare e determinare il suo coefficiente e il termine libero. Hurst è il suo coefficiente.
E solo il rapporto dei logaritmi non è affatto Hurst.
IMHO
No, è un Hurst medio su questi campioni :)
Вычисляется не средний Херст, а две координаты Y=Log(R/S) и X=Log(N). И что с этим делать, тоже вроде бы ясно.
Есть уравнение Y=Y(X), которое выглядит так: Log(R/S) = H*Log(N) + A. Нужно построить линейную регрессию и определить ее коэффициент и свободный член. Херст - это ее коэффициент.
А просто отношение логарифмов - это совсем не Херст.
ИМХО
No, è la media di Hearst di questi campioni :)
Ho letto questo algoritmo oggi nel libro "Fractal Analysis". L'ho implementato usando un algoritmo diverso, secondo formule diverse. Vado da 1 a N e per ogni corrente n conto log(R/S) e log(N). Poi costruisco una retta approssimativa y(x)=ax+b. Il coefficiente a è l'esponente di Hurst. Qui potrebbe esserci un errore di principio.
:о)
PS: Non si può contare così?
Mi rendo conto che il codice potrebbe non essere il più ottimale in termini di prestazioni (un sacco di chiamate di funzioni e tutto il resto), ma la cosa principale è che volevo chiarire a me stesso se ho capito correttamente la logica del suo calcolo, perché i risultati mi sembrano discutibili, e ho deciso di chiedere alle persone che sanno.
...
PS: spero che i partecipanti al forum mi aiutino a capire. Sarei molto grato a Vladislav se mi desse un po' di tempo per spiegarmi dove sbaglio con una metodologia così semplice.
Prendete 1000 particelle browniane casuali in mille griglie di coordinate al punto zero. Lungo questi punti inizia a bombardare forze casuali in una direzione casuale. Qui Hirst sostiene che nel tempo la distanza tra la particella e l'origine delle corrdini (lunghezza del vettore) sarà proporzionale alla radice quadrata del tempo. Perché 1000 chat? Per una buona media. Questo problema non è difficile da programmare e testare.
Prendete 1000 particelle browniane casuali in mille griglie di coordinate al punto zero. Lungo questi punti, forze casuali iniziano a bombardare in una direzione casuale. Ecco il ragionamento di Hirst secondo cui nel tempo la distanza tra la particella e l'origine delle corrdini (lunghezza del vettore) sarà proporzionale alla radice quadrata del tempo. Perché 1000 chat? Per una buona media. Questo problema non è difficile da programmare e testare.
Io gli credo. Ma Feder ha sostenuto che se c'è bisogno di un valore esatto, allora si dovrebbe anche contare più accuratamente. Così ho provato a farlo. E oggi ho scoperto che il signor Peters non la calcola affatto così.
Sarà sufficiente - solo una colonna di numeri, il resto lo farò io stesso.