Indice Hearst - pagina 27
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 evitare confusione, facciamo riferimento alla definizione di ME: l'aspettativa matematica è la media di una serie di ritorni di una variabile casuale.
Il ME di un campione = la media del campione. E il tipo di serie da cui è tratto il campione è irrilevante per la definizione di ME. Ma non è questo il punto.
Per tutto il resto, ci capiamo.
La distribuzione è normale, con zero MO e una data deviazione standard. In questo contesto, coerenza e tendenza sono la stessa cosa. Quando dico "serie di tendenza" significa che la probabilità di coincidenza del segno dell'incremento con il segno dei suoi rendimenti precedenti è superiore al 50%, l'antitrendicità è il contrario, la probabilità di coincidenza del segno è inferiore al 50%. Questa non è la mia definizione, ma esattamente ciò che si intende nel libro.
Nonostante il tiepido interesse del pubblico per il tema dichiarato, continuo a seguire il libro di Peters.
L'intera serie Peters viene poi divisa in sottoperiodi indipendenti. Ogni sottoperiodo è calcolato secondo la metodologia di cui sopra. Di conseguenza, c'è un qualche valore medio di RS, e deve essere qualitativamente diverso dal moto browniano. Poiché la dispersione delle particelle sarà direttamente proporzionale al logaritmo del periodo, il rapporto Hurst, cioè il rapporto tra la durata e il periodo, deve essere una costante ed essere 0,5. Infatti la formula non è perfetta e tende a sovrastimare il risultato di 0,3, cioè su serie ovviamente casuali, Hurst mostrerà 0,53, piuttosto che 0,50. E non è causato dal piccolo campione, più dati usiamo, l'indicatore più accurato sarà nella gamma 0,53.
....
Come potete vedere ci sono due problemi principali con l'indicatore: in caso di brusche inversioni il MO non sarà significativo, mentre l'oscillazione sarà alta, il che porta a una sovrastima irragionevole dell'indicatore. Al contrario, in un chiaro trend rialzista il MO sarà la parte principale del movimento, ma le fluttuazioni intorno al MO saranno piccole e quindi l'heurst sarà ancora più basso di quanto dovrebbe essere.
Quindi, possiamo trarre una conclusione preliminare che il metodo suggerito non può descrivere adeguatamente il movimento dei prezzi di mercato e identificare efficacemente le componenti di tendenza e anti-tendenza.
La ragione è che la volatilità e, rispettivamente, la cascata usata nella formula non convergono ad una costante. In questo caso, per la frequenza di una scadenza dobbiamo dividerla in "sottoperiodi indipendenti", in modo che lo skew converga alla costante. Cioè non prenderli di punto in bianco.
Ma è comunque inutile prendere la serie nel suo insieme e controllarne la coerenza. La media dell'ospedale differirà in modo insignificante da SB perché a volte la serie è in tendenza e a volte è piatta. Dovremmo sapere quando è in tendenza e quando è piatto e perché. Dobbiamo sapere quando è in tendenza e quando è piatto).
C'è un altro punto importante, che non viene preso in considerazione quando si usa Hearst sulle "serie finanziarie". Il punto è che c'è una significativa "somiglianza" tra la dinamica delle inondazioni del Nilo e gli esperimenti di Hirst con un mazzo di carte, ma non con le "serie finanziarie".
Potresti ampliare la risposta in modo più dettagliato? Ogni anno, l'inondazione del Nilo varia in un certo intervallo. Questa è la sua serie di ritorno. È chiaro che la piena sarà sempre un valore positivo, quindi abbiamo bisogno di detrenderizzare questa serie rispetto al suo MO. Poi guardiamo la serie accumulata: i massimi e i minimi formeranno lo spread. Se la fuoriuscita di ogni anno è casuale e indipendente, allora la serie risultante sarà casuale e si muoverà lungo una traiettoria a campana rispetto al tempo. Se la serie non è casuale e persistente, tenderà ad andare oltre la traiettoria condizionale a campana; se è antitrendente, sarà in profondità dentro la campana.
Il problema principale qui è leggermente diverso. Questo metodo funziona bene quando l'aspettativa è più o meno stabile, come nel caso del Nilo o dell'attività solare. Ma non funziona con i mercati, e ha un MO diverso in ogni momento. Non possiamo dedurre il MO dalla serie del mercato in questo caso perché non sappiamo se fa parte dello spread o della componente stazionaria del processo. Anche tecniche più "avanzate" come la regressione lineare non funzioneranno, perché anche la tendenza (linea di regressione) è non stazionaria, e quindi può essere il risultato di un processo deterministico.
La ragione è che la volatilità e quindi lo sco usato nella formula non converge ad una costante. È necessario dividere la frequenza di un equilibrio in "sottoperiodi indipendenti", in modo che lo sko converga alla costante. Cioè non prenderli a caso.
La volatilità è solo una misura della normalizzazione. Lo spread del periodo è diviso per il suo s.c.o. solo per ottenere la stessa scala per tutte le serie possibili. Inoltre il s.q.o. per un periodo finito è un valore finito. Non coinciderà con i periodi adiacenti, ma per il suo periodo sarà monovalente, e quindi in relazione alla gamma ottenuta di questo periodo sarà abbastanza adeguato valore di normalizzazione.
Ecco perché ho fatto specificamente il calcolo per sottoperiodi indipendenti. Cioè, se la serie consiste di 1000 valori, e il periodo medio è 100, allora prendete 10 sottoperiodi consecutivi di 100 valori, per ognuno di essi calcolate il suo RS, e poi ricavate la media di questi RS.
Ma è comunque inutile prendere la serie nel suo insieme e controllarne la coerenza. La media dell'ospedale sarà leggermente diversa dalla RS perché a volte la serie è in tendenza e a volte è piatta. Dovremmo sapere quando è in tendenza e quando è piatto e perché. Dobbiamo sapere quando è in tendenza e quando è piatto).
Ho pensato anche a questo. Ho specificamente scritto un indicatore scorrevole Hearst per questo, che calcola il suo valore in ogni momento nel tempo. Non sono riuscito a trovare alcun modello qualitativo. Ma ci sono molti svantaggi, per esempio Hearst sovrastima i suoi valori alle inversioni di prezzo e li sottostima in una forte tendenza.
La volatilità è solo una misura della normalizzazione. Dividiamo l'intervallo di un periodo per il suo s.c.o. solo per ottenere una scala per tutte le serie possibili. Inoltre il s.q.o. per un periodo finito è un valore finito. Non coinciderà con i periodi adiacenti, ma per il suo periodo sarà monovalente e quindi in relazione all'intervallo ottenuto di questo periodo sarà un valore di normalizzazione abbastanza adeguato.
Ecco perché ho fatto specificamente il calcolo per sottoperiodi indipendenti. Cioè, se la serie consiste di 1000 valori, e il periodo medio è 100, allora si prendono 10 sottoperiodi successivi di 100 valori, per ognuno di essi si calcola un RS diverso, e poi si ricava il valore medio di questi RS.
Naturalmente, otterremo un certo valore di sko in un determinato periodo, ma ciò non significa che la volatilità su di esso convergerà verso una costante. La volatilità nelle serie finanziarie reali è volatile e non è caratterizzata da un solo numero. Quindi i "sottoperiodi" possono contenere pezzi di alta e bassa volatilità e la formula non sarà letta correttamente. Per esempio, abbiamo preso un sottoperiodo pari a un giorno da 0h a 24h. La volatilità in diversi momenti della giornata è stabilmente diversa, di diverse volte. Il valore medio non caratterizza tutto il periodo e l'Hurst calcolato sulla sua base e tenendo conto del periodo mostrerà chissà cosa. L'intera formula di Hurst si basa sul fatto che il bue non sarà costantemente variabile nei sottoperiodi, ma sarà caratterizzato dal valore medio.
Potresti ampliare la risposta in modo più dettagliato? Ogni anno, l'inondazione del Nilo varia in un certo intervallo. Questa è la sua serie di ritorno. È chiaro che la piena sarà sempre un valore positivo, quindi abbiamo bisogno di detrenderizzare questa serie rispetto al suo MO. Poi guardiamo la serie accumulata: i massimi e i minimi raggiunti formeranno lo spread. Se la fuoriuscita di ogni anno è casuale e indipendente, allora la serie risultante sarà casuale e si muoverà lungo una traiettoria a campana rispetto al tempo. Se la serie non è casuale e persistente, si muoverà più spesso fuori dalla traiettoria condizionata a forma di campana; se è una serie entrendous, sarà profondamente dentro la campana.
I minimi, i massimi, gli spread, ecc. - è tutto chiaro. Il punto riguarda qualcos'altro.
Hurst l'ha testato su un mazzo di carte per dimostrare che il suo metodo funziona in linea di principio. C'era una disposizione complicata delle carte, quale non è importante. La cosa principale è che i suoi esperimenti hanno definito chiaramente cos'è un evento elementare.
Per il Nilo, per quanto mi ricordo, definì anche tale evento elementare, il segno massimo dell'innalzamento del livello dell'acqua in un anno (o vi fece inserire la portata - non ricordo). Non sono stati considerati altri valori intermedi. È chiaro che la "fisica" del processo è sempre costante. Quanta acqua si è raccolta nel bacino del Nilo, quanta ne è uscita attraverso il canale. Fondamentalmente, se fosse un barile, non ci sarebbe nulla, ma il bacino del Nilo ha una certa inerzia (la scala di diversi anni) nella raccolta/rilascio dell'acqua, ed è questo che forma la "memoria". È importante capire che la stessa cosa accade ogni anno, in una certa stagione, l'acqua si raccoglie dall'atmosfera in un enorme bacino, si infiltra lentamente attraverso i suoli nel Nilo e scorre verso il mare.
Ora, se calcoliamo il coefficiente di Hurst per il Nilo, scomponiamo una serie di questi eventi omogenei elementari in una serie, sulla quale eseguiamo una manipolazione matematica.
Immaginate che l'evento elementare sia una misura di livello al mese, ogni primo giorno. Abbiamo semplicemente preso, e dichiarato che ora l'evento elementare non sarebbe stato come accade in natura, ma come ci piace. Quindi, prendiamo quei mesi, quelli che sono la stagione delle piogge e quelli che sono la siccità, e li dividiamo in una serie. E così via. Il risultato, secondo me, è ben prevedibile.
Questa è la mia opinione su tutto.
Il problema con le serie finanziarie è esattamente lo stesso, non c'è un evento elementare che caratterizza il processo. Più precisamente, un'affettatura fittizia in barre non è un evento secondo me. Cosa mi importa se all'ultimo minuto Vasya stava comprando e spostando il prezzo di qualche pip, e John stava vendendo il minuto successivo. È come le gocce d'acqua che si infiltrano nel Nilo. Mi chiedo cosa stia succedendo nell'aggregato.
ZS. a proposito, le idee di cercare l'accumulazione-distribuzione, Wyckoff ecc. - è solo dalla comprensione che gli eventi elementari nel mercato non sono affatto barre.
Per coloro che non capiscono di cosa si tratta, le operazioni statistiche possono essere eseguite solo su eventi elementari.
Il problema principale qui si vede che è un po' diverso. Il metodo funziona bene quando l'aspettativa matematica (la base, ciò che calcoliamo) è più o meno stabile, come nel caso del Nilo o dell'attività solare. Ma non funziona con i mercati, e ha un MO diverso in ogni momento. Non possiamo dedurre il MO dalla serie del mercato in questo caso perché non sappiamo se fa parte dello spread o della componente stazionaria del processo. Anche tecniche più "avanzate" come la regressione lineare non funzioneranno, perché anche la tendenza (linea di regressione) è non stazionaria, e quindi può essere il risultato di un processo deterministico.
E aggiungerei anche (come io stesso ho calcolato in Excel di Hearst), che la proprietà prognostica di queste statistiche è dubbia. Sì, sappiamo che il mercato era così e così, ma chi sa come sarà nelle prossime 100-1000 battute? Cosa ne pensate?
I problemi di Matroskin erano dovuti alla sua mancanza di intelligenza, mentre tutti noi abbiamo problemi per l'eccesso e l'iper-istruzione.
Lasciamo stare il Nilo e la sua storia millenaria e scendiamo sulla terra.
Abbiamo la barra all'estrema destra e ci interessa la previsione per la prossima barra. Se teniamo conto che può essere M1, H1 o D1, il problema dell'orizzonte è risolto.
Ora rispondiamo alla domanda: quante barre precedenti sono necessarie per prevedere quella successiva. Una volta ho letto che la t-statistica si trasforma in z-statistica quando il numero di osservazioni è superiore a 30. Triplichiamo e otteniamo 100. Per H1 ci sono 118 osservazioni in una settimana. Molto probabilmente una nuova settimana su H1 darà nuovi problemi. Questo è tutto.
Ora facciamo una previsione a un passo. Per esempio, tracciamo una linea retta sugli ultimi 3 punti e la prolunghiamo in avanti.
Ora. Ammettiamo che questa previsione sia rappresentata da una variabile casuale. Ne consegue che c'è un errore nel calcolo di questa previsione. E questo errore è la radice della questione. Se ha mo e volu almeno approssimativamente una costante, è una cosa. O se non è grande e può essere sostituito con uno spread, anche questo è niente. Ma il problema è l'errore.
E Dio non voglia che l'errore di previsione abbia questo aspetto.
E ora affrontiamo il compito di ottenere le caratteristiche stazionarie dell'errore dal nostro campione limitato.
Credo di sì.