안녕하세요 여러분! 일반적으로 확률 변수의 중심 맞춤은 X(t)-m(t) 절차라고 합니다. 여기서 X(t)는 확률 변수이고 m(t)는 기대값(구간 평균)입니다. 따라서 고정된 슬라이딩 창에 대해 평균화하여 기대치를 계산함으로써 원래 시계열의 상수 성분을 제거합니다. 이렇게 하면 스펙트로그램을 더 쉽게 읽을 수 있습니다. 실제로, 원래 시리즈의 스펙트럼과 중앙에 있는 시리즈를 비교하십시오. 오리지널 시리즈는 저주파 영역에 강한 흠집이 있습니다. 그러나 평균화 창을 선택하면 약간의 불확실성이 나타납니다... 스펙트로그램의 저주파 경계는 이에 따라 다릅니다. 대략적으로 스펙트럼에는 평균 시간보다 긴 주기의 고조파가 포함되지 않습니다. 나 자신을 위해 X[i]=Open[i-1]-Open[i] 공식에 따라 행의 가운데 맞춤을 사용합니다. 이 경우 수치 미분 절차와 유추하기 쉽습니다(dt=1로 간주). 고조파 함수를 포함하는 원래 계열이 미분 연산자에 의해 작동될 때 출력에서 주파수에 비례하여 진폭이 증가하는 동일한 고조파를 포함하는 계열을 얻을 수 있음을 기억합니다. 저것들. 오리지널 시리즈를 구별하는 절차: 1. 유용한 정보의 손실로 이어지지 않습니다(우리는 스펙트럼 분석에 대해 이야기하고 있습니다). 2. 스펙트럼 밀도를 소화 가능한 형태로 나타낼 수 있습니다. 3. 평균화 절차와 관련된 불가피한 위상 지연을 최소화할 수 있습니다. 스펙트럼 밀도 A^2 / Hz의 차원은 단위 주파수당 전력(진폭의 제곱)이고 우리가 계산한 값의 차원(미분 절차 후)은 Hz * A^ 2, 스펙트럼 밀도를 복원하려면 결과 벡터를 주파수 제곱으로 나눌 필요가 있습니다. 또한 우리는 주로 특정 고조파의 진폭에 관심이 있습니다. 그것을 찾으려면 결과 스펙트럼 밀도를 주기로 나누고 이것에서 제곱근 을 추출해야 합니다. 그리고 마지막으로, 제가 어딘가에서 실수를 한 게 틀림없어요... Yurixx 가 정확히 어디를 알려줄 거에요 :-)
칸디다에
그러나 또 다른 질문이 발생합니다. 이 변환이 원래 숫자 시리즈의 특정 무작위화도 생성하지 않습니까?
솔직, 만나서 반가워! 아니오, 그렇지 않습니다. 반대로, 계열의 미분은 "재분화 계열"로 이어지며, 고정되어 있지만 MA 구성 요소의 비가역성과 관련된 일부 바람직하지 않은 속성을 가지고 있습니다. 이 경우 미분 계열 의 이웃 값의 기생 자기 상관이 발생합니다(짧은 주기가 스펙트럼에서 지배적임). 더욱이, 매개변수 추정 및 계열 예측을 위한 일반적인 알고리즘을 사용하는 것이 불가능해집니다(예를 들어 [Hamilton(1994), 4장 및 5장] 참조). 그러나 이것은 이미 다른 오페라에서 나온 것입니다. 우리는 자기회귀 모델의 기능에 대해 이야기하고 있습니다.
그리고 마지막으로, 제가 어딘가에서 실수를 한 게 틀림없어요... Yurixx가 정확히 어디를 알려줄 거에요 :-)
감사합니다. 유머 감사합니다. :-)) 하지만 문맥에서 저주파 성분을 제거하기 위해 명확히 하고 싶습니다. 귀하의 게시물은 항상 정보를 제공하므로 해당 게시물에 명시된 내용을 이해하고 이해하고 싶습니다. 그래서 나는 실수가 아니라 이해를 찾고 있습니다. 그리고 이를 위해서는 세부 사항을 지정해야 합니다. :-)
X[i]=Open[i-1]-Open[i] 연산이 본질적으로 시리즈의 차별화라는 사실은 처음부터 나에게 일어났습니다. 그리고 왜 그것을 센터링에 사용하는지 이해하려고 애썼습니다. 여기에 연결이 없는 것 같습니다. 이제 이해했습니다. 다시 한 번 감사합니다.
시리즈 X[i]=Open[i-1]-Open[i]의 기대값과 연결되는 순간만이 이해할 수 없는 상태로 남았다. 내가 이해하는 한, 당신이 취한 간격에 대한 이 시리즈의 수학적 기대치는 0과 다릅니다. 따라서 수학적 기대가 0인 고정 급수에 관한 진술은 이에 기인할 수 없습니다.
중성자 16.12.06 10:43 어떤 TS의 도움으로도 장기적으로 수학적 기대가 0인 고정 계열을 통합하여 구축된 시계열을 이길 수 없다는 것이 엄격하게 수학적으로 증명되었습니다. 일련의 통화 도구 및 입자의 브라운 운동과 유사)
시리즈 X[i]=Open[i-1]-Open[i]의 기대값과 연결되는 순간만이 이해할 수 없는 상태로 남았다. 내가 이해하는 한, 당신이 취한 간격에 대한 이 시리즈의 수학적 기대치는 0과 다릅니다. 따라서 수학적 기대가 0인 고정 급수에 관한 진술은 이에 기인할 수 없습니다.
중성자 16.12.06 10:43 어떤 TS의 도움으로도 장기적으로 수학적 기대가 0인 고정 계열을 통합하여 구축된 시계열을 이길 수 없다는 것이 엄격하게 수학적으로 증명되었습니다. 일련의 통화 도구 및 입자의 브라운 운동과 유사)
우리는 연구소에서 게임 이론에 대해 흥미로운 이야기를 많이 들었습니다. 오래 전 일이라 기억에서 인용했습니다 ... 아마도 올바른 방법은 다음과 같습니다. ... 장기적으로 TS의 도움으로 고정 계열을 0 상관도와 통합하여 구축한 시계열을 능가하는 것은 불가능합니다... 각 후속 항이 이전 항과 같고 계수를 곱한 시리즈를 작성해 보겠습니다(예: a = -0.5). X[i+1]=-0.5*x[i]+sigma , 여기서 시그마는 평균이 0인 정규 분포 확률 변수입니다. 이것은 강한 음의 자기상관을 갖는 1차 AR(1) 자기회귀 모델입니다(풀백 시장과 유사). X[i+1]=а*x[i]+sigma 관계를 만족하는 시퀀스는 종종 Markov 프로세스라고도 합니다. 따라서 충분히 오랜 기간 동안 그에 대한 기대는 0이며 그러한 노동 시장에서 돈을 벌 수 없을 것입니다. 이것은 실제로 내 첫 번째 진술과 모순됩니다. 흥미롭게도, 자기 상관 계수가 음수인 Markov 프로세스의 경우(Forex 시장의 거의 모든 가격 계열과 유사) TS의 예상 수익을 추정하는 식을 쉽게 얻을 수 있습니다. 선택한 기간에 다음 조건을 충족하는 것이 중요합니다. |a(t)|*s(t)>Spread , 여기서 s는 시그마 의 표준 편차 입니다. 값 |a| 가 1에 가까우면 상품의 변동성이 s보다 훨씬 커집니다. 그리고 이것은 x[i] 계열의 인접한 값이 강한 상관 관계가 있는 경우 일련의 다소 약한 섭동이 광범위한 가격 변동을 생성한다는 것을 의미합니다. 이런 의미에서 상품의 수익성을 평가하기 위한 공식에서 가격결정과정의 임의적 요소를 특징짓는 표준편차 대신 상품의 변동성을 대입하는 것이 더 정확하다.
Волатильность инструмента на выбранном TimeFrame можно вычислить по формуле: Vol[T]=SQRT[SUM{(High[i-k]-Low[i-k])^2}/(n-1)], где суммирование ведётся по k=0...n.
그리고 T 와 n 사이의 관계는 무엇입니까? 그녀라면 물론입니다.
방정식의 오른쪽에서 High[i] 및 Low[i] 값은 TimeFrame(T)에 따라 다릅니다. 첫 번째 근사치로, Vol[T]는 분 단위로 표시되고 Vol[1 min]을 곱한 TimeFrame의 루트에 비례합니다. Vol[T]==Vol[1 min]*SQRT(T). n은 얻은 결과의 통계적 유의성을 기반으로 선택됩니다(예: 100개 이상의 막대).
Alexa는 어떻게 그렇게 잘하고 있습니까? 쉬지 않고 일하면서 그는 이 거래에서 거의 모든 것을 잃어야 했습니다. 반면에 2,300만 더 벌면 이건 전혀 무섭지 않은데... 스킬이지만!
정차 하지 않고 거래하는 것은 매우 위험합니다! 출장 중에 무스가 없는 거래가 한 번 멈추고 데모 계정이 0으로 재설정되었습니다. 한 달 뒤에 어떻게 되는지 알아볼게요 :)
"미리 경고는 팔뚝:o)". 때때로 샴페인을 마시는 것이 아니라 위험을 감수하는 사람도 이해하고 나면 일반 물을 마셔야 합니다. 이 경우 유일한 위안은 물이 샴페인보다 훨씬 건강하다는 의사의 조언입니다. :에 대한)
Alex , 새로운 거래 기간에 행운을 빕니다. 놀라운 결과를 기대합니다.
중성자 선택한 TimeFrame의 상품 변동성은 다음 공식을 사용하여 계산할 수 있습니다. Vol[T]=SQRT[SUM{(High[ik]-Low[ik])^2}/(n-1)], 여기서 합은 k=0...n 이상입니다.
내가 틀리지 않았다면 내 기억에 이것은 이미 변동성의 세 번째 또는 네 번째 정의이며 모두 서로 크게 다릅니다. Yurixx와의 토론에서 기억이 도움이 된다면 위험의 척도로서 이 개념의 철학 자체에 중요한 위치를 부여했습니다. 내 이해에, 나에게 익숙한 모든 계산은 본질을 반영하지 않습니다. 대부분의 경우 일반적인 용어의 변동성은 "큰" 가격 움직임을 반복합니다. 시장이 오르면 변동성도 커지는데, 이를 리스크 증가로 해석해야 하며 리스크가 높은 거래를 하려고 해서는 안 될 것 같습니다. 그러면 요점은 어디입니까? 불행히도 변동성에 적합한 곳을 찾을 수 없습니다. 누군가가 사용법을 알려줄 수 있습니다.
일반적으로 확률 변수의 중심 맞춤은 X(t)-m(t) 절차라고 합니다. 여기서 X(t)는 확률 변수이고 m(t)는 기대값(구간 평균)입니다. 따라서 고정된 슬라이딩 창에 대해 평균화하여 기대치를 계산함으로써 원래 시계열의 상수 성분을 제거합니다. 이렇게 하면 스펙트로그램을 더 쉽게 읽을 수 있습니다. 실제로, 원래 시리즈의 스펙트럼과 중앙에 있는 시리즈를 비교하십시오. 오리지널 시리즈는 저주파 영역에 강한 흠집이 있습니다. 그러나 평균화 창을 선택하면 약간의 불확실성이 나타납니다... 스펙트로그램의 저주파 경계는 이에 따라 다릅니다. 대략적으로 스펙트럼에는 평균 시간보다 긴 주기의 고조파가 포함되지 않습니다.
나 자신을 위해 X[i]=Open[i-1]-Open[i] 공식에 따라 행의 가운데 맞춤을 사용합니다. 이 경우 수치 미분 절차와 유추하기 쉽습니다(dt=1로 간주). 고조파 함수를 포함하는 원래 계열이 미분 연산자에 의해 작동될 때 출력에서 주파수에 비례하여 진폭이 증가하는 동일한 고조파를 포함하는 계열을 얻을 수 있음을 기억합니다. 저것들. 오리지널 시리즈를 구별하는 절차:
1. 유용한 정보의 손실로 이어지지 않습니다(우리는 스펙트럼 분석에 대해 이야기하고 있습니다).
2. 스펙트럼 밀도를 소화 가능한 형태로 나타낼 수 있습니다.
3. 평균화 절차와 관련된 불가피한 위상 지연을 최소화할 수 있습니다.
스펙트럼 밀도 A^2 / Hz의 차원은 단위 주파수당 전력(진폭의 제곱)이고 우리가 계산한 값의 차원(미분 절차 후)은 Hz * A^ 2, 스펙트럼 밀도를 복원하려면 결과 벡터를 주파수 제곱으로 나눌 필요가 있습니다. 또한 우리는 주로 특정 고조파의 진폭에 관심이 있습니다. 그것을 찾으려면 결과 스펙트럼 밀도를 주기로 나누고 이것에서 제곱근 을 추출해야 합니다.
그리고 마지막으로, 제가 어딘가에서 실수를 한 게 틀림없어요... Yurixx 가 정확히 어디를 알려줄 거에요 :-)
칸디다에
솔직, 만나서 반가워!
아니오, 그렇지 않습니다.
반대로, 계열의 미분은 "재분화 계열"로 이어지며, 고정되어 있지만 MA 구성 요소의 비가역성과 관련된 일부 바람직하지 않은 속성을 가지고 있습니다. 이 경우 미분 계열 의 이웃 값의 기생 자기 상관이 발생합니다(짧은 주기가 스펙트럼에서 지배적임). 더욱이, 매개변수 추정 및 계열 예측을 위한 일반적인 알고리즘을 사용하는 것이 불가능해집니다(예를 들어 [Hamilton(1994), 4장 및 5장] 참조).
그러나 이것은 이미 다른 오페라에서 나온 것입니다. 우리는 자기회귀 모델의 기능에 대해 이야기하고 있습니다.
감사합니다. 유머 감사합니다. :-)) 하지만 문맥에서 저주파 성분을 제거하기 위해 명확히 하고 싶습니다.
귀하의 게시물은 항상 정보를 제공하므로 해당 게시물에 명시된 내용을 이해하고 이해하고 싶습니다.
그래서 나는 실수가 아니라 이해를 찾고 있습니다. 그리고 이를 위해서는 세부 사항을 지정해야 합니다. :-)
X[i]=Open[i-1]-Open[i] 연산이 본질적으로 시리즈의 차별화라는 사실은 처음부터 나에게 일어났습니다.
그리고 왜 그것을 센터링에 사용하는지 이해하려고 애썼습니다. 여기에 연결이 없는 것 같습니다. 이제 이해했습니다. 다시 한 번 감사합니다.
시리즈 X[i]=Open[i-1]-Open[i]의 기대값과 연결되는 순간만이 이해할 수 없는 상태로 남았다. 내가 이해하는 한, 당신이 취한 간격에 대한 이 시리즈의 수학적 기대치는 0과 다릅니다. 따라서 수학적 기대가 0인 고정 급수에 관한 진술은 이에 기인할 수 없습니다.
어떤 TS의 도움으로도 장기적으로 수학적 기대가 0인 고정 계열을 통합하여 구축된 시계열을 이길 수 없다는 것이 엄격하게 수학적으로 증명되었습니다. 일련의 통화 도구 및 입자의 브라운 운동과 유사)
어떤 TS의 도움으로도 장기적으로 수학적 기대가 0인 고정 계열을 통합하여 구축된 시계열을 이길 수 없다는 것이 엄격하게 수학적으로 증명되었습니다. 일련의 통화 도구 및 입자의 브라운 운동과 유사)
우리는 연구소에서 게임 이론에 대해 흥미로운 이야기를 많이 들었습니다. 오래 전 일이라 기억에서 인용했습니다 ...
아마도 올바른 방법은 다음과 같습니다.
... 장기적으로 TS의 도움으로 고정 계열을 0 상관도와 통합하여 구축한 시계열을 능가하는 것은 불가능합니다...
각 후속 항이 이전 항과 같고 계수를 곱한 시리즈를 작성해 보겠습니다(예: a = -0.5).
X[i+1]=-0.5*x[i]+sigma , 여기서 시그마는 평균이 0인 정규 분포 확률 변수입니다.
이것은 강한 음의 자기상관을 갖는 1차 AR(1) 자기회귀 모델입니다(풀백 시장과 유사). X[i+1]=а*x[i]+sigma 관계를 만족하는 시퀀스는 종종 Markov 프로세스라고도 합니다. 따라서 충분히 오랜 기간 동안 그에 대한 기대는 0이며 그러한 노동 시장에서 돈을 벌 수 없을 것입니다.
이것은 실제로 내 첫 번째 진술과 모순됩니다.
흥미롭게도, 자기 상관 계수가 음수인 Markov 프로세스의 경우(Forex 시장의 거의 모든 가격 계열과 유사) TS의 예상 수익을 추정하는 식을 쉽게 얻을 수 있습니다. 선택한 기간에 다음 조건을 충족하는 것이 중요합니다.
|a(t)|*s(t)>Spread , 여기서 s는 시그마 의 표준 편차 입니다.
값 |a| 가 1에 가까우면 상품의 변동성이 s보다 훨씬 커집니다. 그리고 이것은 x[i] 계열의 인접한 값이 강한 상관 관계가 있는 경우 일련의 다소 약한 섭동이 광범위한 가격 변동을 생성한다는 것을 의미합니다. 이런 의미에서 상품의 수익성을 평가하기 위한 공식에서 가격결정과정의 임의적 요소를 특징짓는 표준편차 대신 상품의 변동성을 대입하는 것이 더 정확하다.
정차 하지 않고 거래하는 것은 매우 위험합니다! 출장 중에 무스가 없는 거래가 한 번 멈추고 데모 계정이 0으로 재설정되었습니다.
한 달 뒤에 어떻게 되는지 알아볼게요 :)
덕분에 해결되었습니다. "아주" - 단어의 수학적 의미에서. :-)
동시에 흥미로운 것을 많이 배웠습니다. 그리고 가장 중요한 것은 - Forex에서 돈을 벌겠다는 희망은 수학 이론과 모순되지 않습니다!
그건 그렇고, 그라스 와 나는 최근에 외환에서 변동성을 측정하는 방법에 대해 토론했습니다. 내 요점은 이것이 sko 도구가 사용되는 것입니다. 내가 아는 한, 이것은 완전히 정확하지는 않지만 다소 적절합니다. 귀하의 진술에 대해
실제로 어떻게 계산하는지 여쭤보고 싶습니다. 계몽할 수 있습니까? 완전한 행복을 위해. :-))
Vol[T]=SQRT[SUM{(High[ik]-Low[ik])^2}/(n-1)], 여기서 합은 k=0...n 이상입니다.
Vol[T]=SQRT[SUM{(High[ik]-Low[ik])^2}/(n-1)], 여기서 합은 k=0...n 이상입니다.
그리고 T 와 n 사이의 관계는 무엇입니까? 그녀라면 물론입니다.
Vol[T]=SQRT[SUM{(High[i-k]-Low[i-k])^2}/(n-1)], где суммирование ведётся по k=0...n.
그리고 T 와 n 사이의 관계는 무엇입니까? 그녀라면 물론입니다.
방정식의 오른쪽에서 High[i] 및 Low[i] 값은 TimeFrame(T)에 따라 다릅니다. 첫 번째 근사치로,
Vol[T]는 분 단위로 표시되고 Vol[1 min]을 곱한 TimeFrame의 루트에 비례합니다.
Vol[T]==Vol[1 min]*SQRT(T).
n은 얻은 결과의 통계적 유의성을 기반으로 선택됩니다(예: 100개 이상의 막대).
잔디
정차 하지 않고 거래하는 것은 매우 위험합니다! 출장 중에 무스가 없는 거래가 한 번 멈추고 데모 계정이 0으로 재설정되었습니다.
한 달 뒤에 어떻게 되는지 알아볼게요 :)
"미리 경고는 팔뚝:o)". 때때로 샴페인을 마시는 것이 아니라 위험을 감수하는 사람도 이해하고 나면 일반 물을 마셔야 합니다. 이 경우 유일한 위안은 물이 샴페인보다 훨씬 건강하다는 의사의 조언입니다. :에 대한)
Alex , 새로운 거래 기간에 행운을 빕니다. 놀라운 결과를 기대합니다.
중성자
선택한 TimeFrame의 상품 변동성은 다음 공식을 사용하여 계산할 수 있습니다.
Vol[T]=SQRT[SUM{(High[ik]-Low[ik])^2}/(n-1)], 여기서 합은 k=0...n 이상입니다.
내가 틀리지 않았다면 내 기억에 이것은 이미 변동성의 세 번째 또는 네 번째 정의이며 모두 서로 크게 다릅니다. Yurixx와의 토론에서 기억이 도움이 된다면 위험의 척도로서 이 개념의 철학 자체에 중요한 위치를 부여했습니다. 내 이해에, 나에게 익숙한 모든 계산은 본질을 반영하지 않습니다. 대부분의 경우 일반적인 용어의 변동성은 "큰" 가격 움직임을 반복합니다. 시장이 오르면 변동성도 커지는데, 이를 리스크 증가로 해석해야 하며 리스크가 높은 거래를 하려고 해서는 안 될 것 같습니다. 그러면 요점은 어디입니까? 불행히도 변동성에 적합한 곳을 찾을 수 없습니다. 누군가가 사용법을 알려줄 수 있습니다.