Discussão do artigo "Introdução à diversificação (en. diversification) de estruturas fractais de mercado com o auxílio de machine learning"
É lindo.
Mas se considerarmos os atratores (de processos caóticos) em conjunto com os fractais, devemos levar em conta que os atratores são trajetórias em um espaço multidimensional oculto de anexos, do qual vemos apenas uma seção estreita (projeção) como uma série de preços. Ou seja, um atrator não é um ponto temporário (ou uma linha vertical) no gráfico, mas uma "figura" ao longo de um fragmento da série de preços (para a duração esperada do ciclo do atrator = atraso de tempo tau entre as amostras * dimensionalidade do espaço de incorporação). Esse espaço multidimensional é onde se procuraria por semelhanças fractais.
Porém, em um mercado aberto (para influências externas), essa abordagem não funciona, porque muitas vezes (e de forma imprevisível) há um "empurrão" a partir do qual os preços saltam de um atrator para outro.
Provavelmente, é possível colar o flat overnight e encontrar atratores relativamente constantes para essa série sintética.
É lindo.
Mas se considerarmos os atratores (de processos caóticos) em conjunto com os fractais, devemos levar em conta que os atratores são trajetórias em um espaço multidimensional oculto de anexos, do qual vemos apenas uma seção estreita (projeção) como uma série de preços. Ou seja, um atrator não é um ponto temporário (ou uma linha vertical) no gráfico, mas uma "figura" ao longo de um fragmento da série de preços (para a duração esperada do ciclo do atrator = atraso de tempo tau entre as amostras * dimensionalidade do espaço de incorporação). Esse espaço multidimensional é onde se procuraria por semelhanças fractais.
Mas para um mercado aberto (para influências externas), essa abordagem não funciona, porque muitas vezes (e de forma imprevisível) há um "empurrão", a partir do qual os preços saltam de um atrator para outro.
Provavelmente, é possível colar o flat overnight e encontrar atratores relativamente constantes para essa série sintética.
Há muitas opções, qualquer opinião sobre isso é bem-vinda. Houve algumas ideias para usar a transformação de Takens de alguma forma.
Até o momento, tenho me limitado à correlação e/ou regressão.
A segunda pergunta é se é necessário calcular os índices de Lyapunov e com que finalidade? Em particular, para estimar a caoticidade, parece não ser necessário usar o índice sênior, e é suficiente determinar a região de saturação (se houver) no estágio de encontrar a dimensão de incorporação m e a dimensão de correlação D, e esse tipo de dependência em si significa caoticidade e previsibilidade? Caso contrário, não teríamos m. Até agora, só é óbvio que o conjunto completo de expoentes de Lyapunov não negativos é usado para estimar a entropia de Kolmogorov e, a partir dela, o intervalo de previsibilidade. Embora seja melhor recalcular a previsão no primeiro caso conveniente sem esperar a expiração desse mesmo intervalo e, portanto, os expoentes de Lyapunov e a entropia não sejam necessários?
Outra pergunta: quais valores da pequena vizinhança r devem ser executados no ciclo de cálculo da integral de correlação? Não vi nenhuma recomendação em nenhum artigo.
Por fim, gostaria de esclarecer o algoritmo para recuperar as previsões do espaço m-dimensional para séries unidimensionais. Não é óbvio para mim em qual amostra discreta o valor previsto cai, já que formamos vetores a partir de amostras espaçadas por τ durante a transformação direta. +τ? Então devemos usar dados "ligeiramente" desatualizados para prever o futuro próximo de +1 a +(τ-1)?
O consenso de opinião dos membros do fórum (pelo menos nesse momento) é negativo.
O teste da previsão na prática por meio da negociação de pip no EURUSD D1 por vários meses (de acordo com V.A.Golovko - Neural Network Methods of Processing Chaotic Processes) mostrou resultados mistos. Então, não retornei a esse tópico.
Lembro que Peters, em seu livro "Fractal Analysis of Financial Markets", fez um cálculo da dimensão do atrator. Ele levou, se não me falha a memória, quatro anos para encontrar um).
Eu disse:
Consenso de opiniões dos membros do fórum (pelo menos na época) - negativo.
O teste de previsão na prática por meio de peiper-trading no EURUSD D1 por vários meses (de acordo com V.A.Golovko - Neural Network Methods of Processing Chaotic Processes) mostrou resultados mistos. Então, não voltei a esse tópico.
Na minha opinião, trata-se de uma questão de vários experimentos e da seleção dos recursos/marcação de padrão corretos. Talvez você tenha sorte, talvez não tenha tanta sorte assim.
Alguma vez pareceu que a Hearst era algo óbvio quando era dinâmica?
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Você concorda com a política do site e com os termos de uso
Novo artigo Introdução à diversificação (en. diversification) de estruturas fractais de mercado com o auxílio de machine learning foi publicado:
A teoria do caos descreve sistemas com "dependência sensível às condições iniciais", o que significa que um erro minúsculo nas condições iniciais pode levar a mudanças drásticas no longo prazo. Esse fenômeno é frequentemente chamado de "efeito borboleta". Sistemas caóticos são imprevisíveis no longo prazo devido a essa sensibilidade, bem como ao seu comportamento aperiódico, dimensões fractais, não linearidade e atratores estranhos.
Os mercados financeiros não são completamente aleatórios, mas funcionam dentro de estruturas caóticas e não periódicas, chamadas atratores estranhos, que limitam o comportamento dos preços dentro de determinados intervalos.
Essa imprevisibilidade limitada permite identificar padrões estatísticos e níveis de suporte e resistência. O conceito de atratores caóticos explica por que os preços apresentam movimentos repetitivos, mas não idênticos.
A Hipótese dos Mercados Fractais (FMH), proposta por Edgar Peters, afirma que os dados de mercado possuem uma estrutura fractal dependente dos horizontes de investimento. Em períodos de crise, essa estrutura se rompe, o que leva ao aumento da volatilidade e à redução da liquidez. Diferentemente da HME, a FMH admite períodos de ineficiência de mercado e de previsibilidade, especialmente em condições de estresse.
Autor: dmitrievsky