Índice Hearst - página 26
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Durante algum tempo tive que me distrair com outras preocupações - minha filha tinha 18 anos - eu não tinha tempo para fractales ;)))))).
Mas tal mudança - esta é a primeira vez que eu percebo - levou a uma visão clara do problema fractal não resolvido ainda não resolvido.
Bem, assim que eu cair em mim, vamos resolver este problema ;)
Estaremos esperando:)
Apesar do tímido interesse do público pelo tema, ainda estou seguindo o livro de Peters. Eu melhorei os métodos e finalmente entendi o que está sendo calculado. Portanto, aqui estão as fórmulas básicas:
A primeira coisa que fazemos é converter as séries de preços em retornos logarítmicos. A essência da segunda fórmula é a seguinte: a média dos retornos logarítmicos é a expectativa matemática da série, se calcularmos a média da série a partir de cada valor, então a soma destes valores será sempre igual a zero. Esta é a maneira mais simples de dissuadir, mas tem um enorme impacto no resultado. Em seguida, são calculados o mínimo e o máximo da série. Estes cálculos podem ser apresentados graficamente em gráficos:
A terceira fórmula, como todos entendem, é o cálculo do desvio padrão simples.
H é, portanto, a relação simples da faixa com seu período logarítmico.
Depois, toda a série Peters em análise é dividida em subperíodos independentes. Cada subperíodo é calculado de acordo com a metodologia descrita acima. Como resultado, há um valor médio de RS, que é qualitativamente diferente do movimento Browniano. Como a dispersão de partículas será diretamente proporcional ao logaritmo do período, a razão Hurst, ou seja, a razão entre o tempo e o período, deve ser uma constante e ser de 0,5. Na verdade, a fórmula não é perfeita e tende a superestimar o resultado em 0,3, ou seja, em séries obviamente aleatórias, Hurst mostrará 0,53, em vez de 0,50. E não é causado pela pequena amostra, quanto mais dados usarmos, mais preciso será o indicador na área de 0,53.
Assim, utilizando a metodologia proposta, analisei 500 000 valores independentes e comparei o mercado real de RTS com eles. Então implementei propositadamente um componente determinístico em uma série aleatória: se dois valores anteriores eram negativos, ao valor atual 1/2 do desvio padrão é adicionado (série de tendência) e vice-versa: se dois valores anteriores eram negativos, ao valor atual 1/2 do desvio padrão é adicionado (série anti-trendência). Aqui estão os gráficos obtidos:
Como pode ser visto, o mercado RTS não é qualitativamente distinguível de uma caminhada aleatória, enquanto as séries de tendências e antitendências mostram as características esperadas.
Agora vamos ver como este indicador se apresenta na dinâmica:
Como podemos ver, há dois problemas principais com o indicador: em inversões bruscas, o MO não será significativo, enquanto o balanço será alto, o que leva a um exagero não razoável do indicador. Pelo contrário, em uma tendência clara, o MO será a porção principal do movimento, mas as flutuações em torno do MO serão pequenas e, portanto, a heurstância será novamente menor do que deveria ser.
Assim, podemos fazer uma conclusão preliminar de que o método sugerido não pode descrever adequadamente o movimento de preços de mercado e identificar efetivamente as tendências e os componentes anti-trendência.
Apesar do tímido interesse do público pelo tema...
Qual é a distribuição de "dados aleatórios conhecidos"?
Posso divulgar a metodologia da geração?
Assim, utilizando a metodologia proposta, analisei 500.000 valores independentes e comparei o mercado real de RTS com eles. Então introduzi propositadamente um componente determinístico em séries aleatórias: se dois valores anteriores eram negativos, ao valor presente 1/2 de um desvio padrão é adicionado (série de tendência), e vice-versa: se dois valores anteriores eram negativos, ao valor presente 1/2 de um desvio padrão é adicionado (série anti-trendência). Estes são os gráficos que saíram:
E não entendo a forma de obter uma série "antitendência".
E a própria definição é um pouco estranha.
Como é um apartamento? e por que apenas dois negativos e não três positivos?
;)
Apesar do tímido interesse do público pelo tema, ainda estou seguindo o livro de Peters. Eu melhorei os métodos e finalmente entendi o que está sendo calculado. Portanto, aqui estão as fórmulas básicas:
A primeira coisa que fazemos é converter as séries de preços em retornos logarítmicos. A essência da segunda fórmula é a seguinte: a média dos retornos logarítmicos é a expectativa matemática da série, se calcularmos a média da série a partir de cada valor, então a soma destes valores será sempre igual a zero. Esta é a maneira mais simples de dissuadir, mas tem um enorme impacto no resultado. Em seguida, são calculados o mínimo e o máximo da série. Estes cálculos podem ser apresentados graficamente em gráficos:
A terceira fórmula, como todos entendem, é o cálculo do desvio padrão simples.
H é, portanto, a simples relação da faixa com seu período logarítmico.
Depois, toda a série Peters em análise é dividida em subperíodos independentes. Cada subperíodo é calculado de acordo com a metodologia descrita acima. Como resultado, há um valor médio de RS, que é qualitativamente diferente do movimento Browniano. Como a dispersão de partículas será diretamente proporcional ao logaritmo do período, a razão Hurst, ou seja, a razão entre o tempo e o período, deve ser uma constante e ser de 0,5. Na verdade, a fórmula não é perfeita e tende a superestimar o resultado em 0,3, ou seja, em séries obviamente aleatórias, Hurst mostrará 0,53, em vez de 0,50. E não é causado pela pequena amostra, quanto mais dados usarmos, mais preciso será o indicador na área de 0,53.
Assim, utilizando a metodologia proposta, analisei 500 000 valores independentes e comparei o mercado real de RTS com eles. Então implementei propositadamente um componente determinístico em uma série aleatória: se dois valores anteriores eram negativos, ao valor atual 1/2 do desvio padrão é adicionado (série de tendência) e vice-versa: se dois valores anteriores eram negativos, ao valor atual 1/2 do desvio padrão é adicionado (série anti-trendência). Aqui estão os gráficos obtidos:
Como pode ser visto, o mercado RTS não é qualitativamente distinguível de uma caminhada aleatória, enquanto as séries de tendências e antitendências mostram as características esperadas.
Agora vamos ver como este indicador se apresenta na dinâmica:
Como podemos ver, há dois problemas principais com o indicador: em inversões bruscas, o MO não será significativo, enquanto o balanço será alto, o que leva a um exagero não razoável do indicador. Pelo contrário, em uma tendência clara, o MO será a porção principal do movimento, mas as flutuações em torno do MO serão pequenas e, portanto, a heurstância será novamente menor do que deveria ser.
Assim, podemos fazer uma conclusão preliminar de que o método sugerido não pode descrever adequadamente o movimento de preços de mercado e identificar efetivamente as tendências e os componentes anti-trendência.
Provar a invalidade de qualquer teoria conhecida é um grande sucesso. Está abrindo o caminho para o verdadeiro conhecimento. Parabéns!
Onde está a prova? E de quem é o fracasso?
Não consegui enquanto dormia...
Por que cada conversão de linha de fonte para retorno - Fechar[i] / Fechar[i - 1]?
A julgar pelos screenshots e pela referência à dissuasão, é incorreto falar de MO (especialmente a fila de retorno). Neste caso, você está se referindo ao MO como uma regressão linear de uma amostra de séries de preços. É ao subtraí-lo que você se torna mais detestável. E, de fato, a linha verde em sua captura de tela não é o MO (deveria ser horizontal), é a regressão linear.
Pela fórmula você pode ver que Hurst é a relação entre o spread máximo e o spread médio das séries de preços detrendidos. Dividir pelo logaritmo do tamanho da amostra é apenas um ajuste formal (normalização). O ponto é a relação entre o máximo e a média.
Qualquer análise desse tipo é altamente dependente do estado da série original. Isto é, por qual condição o i-ésimo elemento é tomado. Você tem o clássico - em intervalos de tempo iguais. Mas existem outros métodos que permitem levar em conta tanto os preços altos como baixos para estes intervalos de tempo. Portanto, há muito menos perda de informação.
Provar a invalidade de qualquer teoria conhecida é um grande sucesso. Está abrindo o caminho para o verdadeiro conhecimento. Parabéns!
Isto é sarcasmo? Não estou tentando refutar nada, apenas calculei o indicador usando a metodologia sugerida - a saída é indistinguível da SB.
E não entendo a forma de obter uma série "anti-trend".
e a própria definição é um pouco estranha.
Por que são utilizados apenas dois negativos e não três positivos?
Os dados foram gerados usando um add-in do Excel: "Geração de números aleatórios".
A definição de "plano" não é muito correta. Neste caso, isso significa a série antipessoal. A metodologia foi especificamente adaptada à fórmula nº 2. Como você pode ver, a fórmula foi projetada para "pegar" exatamente tais transtornos. "dois negativos" é uma escolha arbitrária. O efeito será rastreável para qualquer número, desde que seja menor do que o período de amostragem (o chamado efeito de memória Peters).
Os dados foram gerados através de um add-in do Excel: "Geração de números aleatórios".
A definição de "plano" não é realmente muito correta. O que se pretende aqui é uma série antipessoal. A metodologia foi especificamente adaptada à fórmula nº 2. Como você pode ver, a fórmula foi projetada para "pegar" exatamente tais transtornos. "dois negativos" é uma escolha arbitrária. O efeito será visto com qualquer número, desde que seja menor do que o período de amostragem (o chamado efeito de memória Peters).
Então, esta superestrutura gera um número uniforme, normal ou algum outro "número aleatório"? Ou você não sabe?
Persistência e "tendência", presumo que você tenha a mesma coisa?
ваЗачем каждый раз идет преобразование исходного ряда к returns - Close[i] / Close[i - 1]?
A conversão da série original para retornos só ocorre uma vez no início do cálculo. Então, como você pode ver pela fórmula nº 2, os retornos são remontados em uma série consecutiva de incrementos.
A julgar pelas capturas de tela e pela menção de dissuasão, é incorreto falar de MO (especialmente sobre a fila de retorno). Neste caso, você está se referindo ao MO como uma regressão linear da série de preços da amostra. É ao subtraí-lo que você se torna mais detestável. E, de fato, a linha verde em sua captura de tela não é MO (deveria ser horizontal), é uma regressão linear.
Para evitar confusão, vejamos a definição de RI: o pagamento esperado é a média de uma série de retornos de uma variável aleatória. Se uma série de retornos é coletada em uma série acumulada, então para ela a expectativa matemática é a soma dos incrementos desta série ou a simples diferença entre o valor final e o valor inicial. Isto porque se a expectativa é zero, então a diferença entre o ponto final e o ponto inicial de tal série acumulada também será sempre zero, o que pode ser visto claramente no gráfico. Assim, subtrair o meio da série é a maneira mais fácil de dissuadir. Métodos estatísticos básicos, como o RMS, fazem exatamente isso. A Regressão Linear, que você mencionou, é um pouco diferente, é pesquisada através do M.N.C. e geralmente mais adequada para remover o componente tendência. Mas a figura mostra exatamente MO, mas no contexto de uma série acumulada.
Qualquer análise desse tipo é altamente dependente do estado da série original. Isto é, por qual condição o i-ésimo elemento é tomado. Você tem o clássico - após um intervalo de tempo igual.
Concordo plenamente, minhas pesquisas mostraram, que as fórmulas propostas não funcionam com os retornados como tal, mas trabalham com uma série acumulada, mas sem levar em conta seu MO, o que leva à perda de algumas informações (valor do MO propriamente dito), embora visualmente os gráficos sejam quase os mesmos do preço original.
Mas existem outros métodos, que permitem levar em conta tanto os preços altos como baixos para estes intervalos de tempo. Ou seja, há muito menos perda de informação.
Concordo, o método é muito rude e não creio que seja correto. Apenas dois pontos são retirados do conjunto, o MO é descartado ao todo. Como resultado, perdas irreversíveis de informações e trabalhos incorretos nas séries iniciais com expectativa não estacionária. A saída é vista na aplicação do ZigZag como uma régua fractal universal. Por exemplo, pode ser a relação entre a distância percorrida e os joelhos em zig-zag.
Então esta superestrutura gera um número uniforme, normal ou algum outro "número aleatório"? Ou você não sabe?
Persistência e "tendência", presumo que você tenha a mesma coisa?
A distribuição é normal, com MO zero e um determinado desvio padrão. Neste contexto, persistência e tendência são a mesma coisa. Quando eu digo "série de tendências" significa que a probabilidade de coincidência do sinal do incremento com o sinal de seus retornos anteriores está acima de 50%, a antitendicidade é o oposto, a probabilidade de coincidência do sinal é inferior a 50%. Esta não é minha definição, mas exatamente o que se entende no livro.