Teoria do Fluxo Aleatório e FOREX - página 6

Novo comentário
 

dreder, obrigado pelo conselho, mas não é provável que eu aceite: sou um viciado, e uma dose real foi suficiente para me fisgar. E você também é um viciado, não é?

Na verdade, por que não se juntar a um pequeno círculo de junkies, alguns dos quais sabem muito sobre matemática (não eu)?

2 Candidato: Vou juntar e enviar. Há Marple, Sato, Wald, Farina, palestras sobre DSP e cálculo de ACF em Mathcad. Espero que todo o arquivo passe de uma só vez (tenho cerca de 13,5 Mbytes todos juntos, portanto, serão menos de 20 quando for encaminhado). Eu o enviei de outra caixa de correio. Dê-me uma linha com o resultado - ou envie-me um e-mail.

 
Prival:

Deixe-me tentar explicar a ACF com um exemplo, ...

Bem, eu conhecia a definição de ACF em princípio, é que muitas vezes há tantas pessoas quanto há fórmulas :). Se você não fizer o cálculo direito, é claro.
E o que há de errado com a fastcorelação da biblioteca da klot?
 
Mathemat:

Na verdade, por que não ter uma pequena conversa em um pequeno círculo...

Sou totalmente a favor, exceto que não sou bom em matemática, sou um C na melhor das hipóteses. Vod um par de bebidas nesta rica experiência de engenheiro de rádio de aviação :-)

lna01 sobre a fastcorelação, eu não sabia que estava lá, desculpe se o incomodei novamente :-), como tudo isso conta.

 
Prival:

lna01 sobre a fastcorelação não sabia que estava lá, desculpe se eu começar a fazer perguntas ruins novamente :-), como tudo isso conta.

Leia mais sobre isso aqui - http://alglib.sources.ru/fft/fastcorrelation.php
O formato é o seguinte:
fastcorellation void (double& signal[], int signallen, double pattern[], int patternlen)
/*************************************************************************
Corelação usando FFT

Na entrada:
O sinal é um conjunto de sinais, com o qual realizamos a correlação.
Numeração de elementos de 0 a SignalLen-1
SignalLen - comprimento do sinal.

Padrão - matriz de padrões, a correlação do sinal com o qual estamos procurando
Numeração de elementos de 0 a PatternLen-1
PatternLen - o comprimento do padrão.

Saída:
Sinal - valores de correlação em pontos de 0 a
SignalLen-1.
*************************************************************************/
 
Sim, tudo isso faz sentido. A julgar pela descrição, as matrizes são na verdade periódicas, e para tais dados a ACF, por definição, dependerá da diferença dos argumentos, ou seja, o processo se tornará automaticamente estacionário. Não se encaixa, caramba...
 
Mathemat:
Sim, eu entendo. A julgar pela descrição, as matrizes são na verdade periódicas, e a ACF para tais dados dependerá da diferença de argumentos por definição, ou seja, o processo se tornará automaticamente estacionário. Não se encaixa, caramba...

O ACF será simétrico se você usar o FFT, ou seja, você precisa dos dados até o meio. Embora eu não saiba onde você quer aplicá-lo.

Se a ACF depende da diferença nos argumentos, é não-estacionária.

 
Mathemat:
Sim, tudo isso faz sentido. A julgar pela descrição, as matrizes são na verdade periódicas, e para tais dados a ACF dependerá por definição da diferença de argumentos, ou seja, o processo se tornará automaticamente estacionário. Não se encaixa, caramba...
Eles são periódicos, é claro, mas com um período dos primeiros 2 ^n maiores, exatamente a tal comprimento são acrescentados zeros - isso decorre da fonte. Portanto, eles são na verdade não periódicos :)
 
Eu preciso de um procedimento que calcule os coeficientes a e b na equação y(x)=a*x+b. Então eu posso ser capaz de construir novamente algum algoritmo ACF de curva em MQL
 
Prival:
Eu preciso de um procedimento que calcule os coeficientes a e b na equação y(x)=a*x+b. Então talvez eu seja capaz de criar novamente algum algoritmo ACF de curva em MQL.
Provavelmente, é difícil encontrar alguém que não tenha feito tal função para si mesmo. Também eu :) Funções".
 
Prival:

Vou tentar explicar ACF por exemplo, digamos que temos dois conjuntos de dados, o primeiro 0 1 2 3 4 5 e o segundo 10 11 12 13 14 15, se calcularmos o coeficiente de correlação (CC) destes conjuntos ele = 1, ou seja, conhecendo o conjunto 1 podemos calcular com precisão o segundo, se o segundo conjunto fosse 15 14 13 12 11 10, o CC seria = -1, ou seja, quando um conjunto aumenta, o segundo na mesma proporção diminui.

A ACF (função de autocorrelação, é uma comparação da matriz a si mesma apenas deslocada no tempo. No turno=0, ACF =1, pois os dados originais são exatamente os mesmos de si mesmos. Quando aumentamos o turno, ACF começa a mudar, oscilando entre -1 e 1, zero significa sem correlação.

Se a ACF do fluxo de citação fosse o tempo todo =1 eh que graal seria :-).

Recebi as fotos, coloquei-as acima. Mas são apenas para uma amostra, acho que a ACF deve variar ao longo do tempo (certamente que para o graal já teria sido encontrada há muito tempo), mas se encontrarmos a função que a aproxima e somente se encontrarmos parâmetros dessa função será um passo significativo em frente

O que a análise ACF nos dá

1. construir um modelo mais ou menos adequado de séries temporais.

2. para determinar o tempo durante o qual o processo está correlacionado, ou seja, o tempo em que podemos prever o comportamento da curva

3. ACF pode ser usada de várias maneiras, até a tomada de decisões comerciais. O principal é entendê-la e compreender seu comportamento em vários intervalos de tempo


Eu tentei escrever um script em MQL que exibe correlograma (função de autocorrelação) de séries temporais em uma janela separada. O código constrói uma série de primeiras diferenças e encontra uma amostra média de valores Nbars, o coeficiente de correlação para a diferença atual Open[i]-Open[i+1] consigo mesmo (coluna com índice zero), com a diferença anteriorOpen[i+1]-Open[i+2] (coluna com índice número 1),..., com a k-ésima diferença Open[i+k]-Open[i+k+1] (coluna com índice número k), etc.., k corre valores de 0 a n.

//+------------------------------------------------------------------+
//| FAK. mq4 |
//| Copyright © 2007, Neutron |
//+------------------------------------------------------------------+
#janela_indicadora de propriedade_separarate_window
#property indicator_buffers 1
#indicador de propriedade_cores1 Vermelho
#largura_do_indicador de propriedade1 4

exterior int Nbars=10000, n=100;
int i,step,start;
double s1,s2,fak[1000],Dif[10000];

int start()
{
Start=Nbars+n;
for (i=Start;i>=0;i--){Dif[i]=Open[i]-Open[i+1];}

for (step=0;step<=n;step++){s1=0;s2=0;
for (i=Nbars;i>=0;i--){s1=s1+Dif[i]*Dif[i+step];s2=s2+Dif[i]*Dif[i];}
fak[step]=s1/s2;}
}

int init()
{
SetIndexStyle(0,DRAW_HISTOGRAM);
SetIndexBuffer(0,fak);
retorno(0);
}

Preste atenção que nos minutos o par EUR/GBP mostra uma forte correlação negativa entre as leituras adjacentes (a barra com o índice 1 e o valor -0,25). Para evitar a exibição de uma coluna zero incompletamente informativa (sempre igual a 1), é necessário traçar uma linha:

for (step=0;step<=n;step++){s1=0;s2=0;

substituir por:

for (step=1;step<=n;step++){s1=0;s2=0;

O produto do coeficiente de autocorrelação r1 pela volatilidade do instrumento no TF selecionado dará a rentabilidade média do TS com base no processo Markov. Infelizmente, este valor não excede a comissão DC.

12345678910111213...85
Novo comentário