Показатель Херста - страница 25
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Получил любопытный сводный график трех измеряемых величин:
Видно, что реальные результаты хотя по своей природе и стремятся к перегибу после 1.8 - 1.9 все же слишком удачно могут быть аппроксимированы графиком случайного блуждания нормально распределенной величины. При том сам график случайного блуждания представляет из себя практически идеально прямую линию без видимых перегибов (хороший результат). По сравнению с эталонным расчетом Петерса значение Херста занижено приблизительно на 0.10 и в своем пике составляет 0,68 против 0,78 у Петерса. В тоже время характер наклона прямых после перегиба (момента утраты памяти) более схож с друг другом.
На текущий момент результаты пока еще слишком сильно различаются от тех, что заявлены Петерсом и пока рано говорить о устойчивой идентификации неслучайных рядов этим индикатором.
P.S. Сложность состоит еще и в том, что работать приходится с очень маленькими величинами. Ничтожные отклонения в несколько процентов дают сильно различающиеся углы наклона. Пол шага в лево, пол в право - и уже ряд не отличим от случайного блуждания.
P.S. Сложность состоит еще и в том, что работать приходится с очень маленькими величинами. Ничтожные отклонения в несколько процентов дают сильно различающиеся углы наклона. Пол шага в лево, пол в право - и уже ряд не отличим от случайного блуждания.
тут ещё надо разобраться с погрешностью и вообще корректностью прменения к рынку Херста.
Начинается весь вывод с известной формулы Эйнштейна для СБ, которая говорит, что среднее отклонение блуждающей частицы от начала увеличивается прямо пропорционально корню из времени. Если за такт времени частица смещается +1/-1, то R=SQRT(N), где N и выполняет роль времени, или кол-во приращений. Но в реальности редко имеем дело с процессами с двумя дискретными приращениями +1 и -1 и далее выводится что для общего случая R=ско*SQRT(N), что имеет смысл если распределение имеет ско=константа, т.е. распределение стационарное. Отсюда R/ско=N^0.5 для случайного блуждания. Далее 0.5 заменяется на переменную и ее вычисляем через логарифмы. Для того, чтобы использовать не среднее приращение, а накопленные (т.к. для среднего приращения нужно гораздо больше статистики) ещё вводится эмпирический поправочный коэффициент. Под огромным вопросом ценность показателя Херста для рыночных данных, т.к. распределение нестационарно и ско меняется и зависимо от предыдущих своих значений. Теоретической основы правомерности применения этого показателя для нестационарных данных нет. Т.е. применить можно, а верить результатам - фиг знает :)
тут ещё надо разобраться с погрешностью и вообще корректностью прменения к рынку Херста.
Начинается весь вывод с известной формулы Эйнштейна для СБ, которая говорит, что среднее отклонение блуждающей частицы от начала увеличивается прямо пропорционально корню из времени. Если за такт времени частица смещается +1/-1, то R=SQRT(N), где N и выполняет роль времени, или кол-во приращений. Но в реальности редко имеем дело с процессами с двумя дискретными приращениями +1 и -1 и далее выводится что для общего случая R=ско*SQRT(N), что имеет смысл если распределение имеет ско=константа, т.е. распределение стационарное. Отсюда R/ско=N^0.5 для случайного блуждания. Далее 0.5 заменяется на переменную и ее вычисляем через логарифмы. Для того, чтобы использовать не среднее приращение, а накопленные (т.к. для среднего приращения нужно гораздо больше статистики) ещё вводится эмпирический поправочный коэффициент. Под огромным вопросом ценность показателя Херста для рыночных данных, т.к. распределение нестационарно и ско меняется и зависимо от предыдущих своих значений. Теоретической основы правомерности применения этого показателя для нестационарных данных нет. Т.е. применить можно, а верить результатам - фиг знает :)
Статистика Херста спроектирована таким образом, что не вид распределения, ни его нестационарность, просто не способны его запутать. Так во всяком случае утверждает сам Петерс. Напротив, с его помощью можно достоверно определить является ли изучаемый ряд стационарным или нет, зависимы ли в нем приращения друг от друга (эффект памяти), рассчитать длину цикла изучаемого процесса (зачем это надо, думаю не надо объяснять), определить является ли ряд трендовым или контртрендовым. Одна загвоздка - повторить результаты Петерса крайне сложно, и пока я не знаю почему это так происходит. Что касается с.к.о. - то здесь оно исключительно для нормализации размаха, что бы можно было сравнивать ряды разных несопоставимость систем.
Файл не цепляется . Почитайте лучше это .
ГУЛЯЕВА ОЛЬГА СТАНИСЛАВОВНА
УПРАВЛЕНИЕ ВАЛЮТНЫМИ РИСКАМИ НА ОСНОВЕ ПРЕДПРОГНОЗНОГО АНАЛИЗА ВАЛЮТНЫХ КУРСОВ ФРАКТАЛЬНЫМИ МЕТОДАМИ
Гугланите . Это проще . Может кто индюк сделает .
Файл не цепляется . Почитайте лучше это .
ГУЛЯЕВА ОЛЬГА СТАНИСЛАВОВНА
УПРАВЛЕНИЕ ВАЛЮТНЫМИ РИСКАМИ НА ОСНОВЕ ПРЕДПРОГНОЗНОГО АНАЛИЗА ВАЛЮТНЫХ КУРСОВ ФРАКТАЛЬНЫМИ МЕТОДАМИ
Гугланите . Это проще . Может кто индюк сделает .
Может, кто и сделает ... А, по-мне, так Вы спаммите покупку не только диссертации, но и автореферата (полный беспредел) никому не известного автора на сомнительную тему.
На некоторое время вынужден был отвлечься на другие заботы -- дочери исполнилось 18 -- не до фракталов было ;)))
Но зато такое переключение -- уж в который раз замечаю за собою такое -- привело к ясному вИдению нерешённой пока фрактальной задачи.
В общем, как только приду в себя, добьём мы эту задачу ;)
tara:
Вы спаммите покупку не только диссертации, но и автореферата (полный беспредел) никому не известного автора на сомнительную тему.
Вы бы батенька интернетом научились пользоваться . Потом прочитали бы, а потом выводы делали. А пока вы роетесь в манускриптах .....Ньютона.
тут ещё надо разобраться с погрешностью и вообще корректностью прменения к рынку Херста.
Начинается весь вывод с известной формулы Эйнштейна для СБ, которая говорит, что среднее отклонение блуждающей частицы от начала увеличивается прямо пропорционально корню из времени. Если за такт времени частица смещается +1/-1, то R=SQRT(N), где N и выполняет роль времени, или кол-во приращений. Но в реальности редко имеем дело с процессами с двумя дискретными приращениями +1 и -1 и далее выводится что для общего случая R=ско*SQRT(N), что имеет смысл если распределение имеет ско=константа, т.е. распределение стационарное. Отсюда R/ско=N^0.5 для случайного блуждания. Далее 0.5 заменяется на переменную и ее вычисляем через логарифмы. Для того, чтобы использовать не среднее приращение, а накопленные (т.к. для среднего приращения нужно гораздо больше статистики) ещё вводится эмпирический поправочный коэффициент. Под огромным вопросом ценность показателя Херста для рыночных данных, т.к. распределение нестационарно и ско меняется и зависимо от предыдущих своих значений. Теоретической основы правомерности применения этого показателя для нестационарных данных нет. Т.е. применить можно, а верить результатам - фиг знает :)
Я долго думал о сказанном Вами - все это серьезные и ценные замечания. Но согласитесь, что бы проверить все это, во-первых требуется выверенная методология расчетов, во-вторых, требуется провести несколько экспериментов, реально доказывающие теоретические утверждения и выкладки. К тому же, эксперимент поможет отладить методы расчета и синхронизировать их с теоретическими выкладками (если это вообще возможно). Только лишь после этого, можно будет достоверно судить, о том, подходит ли этот метод для анализа реальных финансовых рядов или нет. Признаться, у меня не меньше сомнений чем у Вас. Но единственный способ ответить на все эти вопросы - это проработать эту тему.
Исходя из этого, я начну с самых основ, а именно с формулы Эйнштейна для СБ R=SQRT(N):
1.0 Сгенерирую чистое нормально распределенное СБ +1/-1 без всяких там AR-эффектов и кластеризации волатильности.
1.2. Проверю гипотезу о R=SQRT(N). Если будут какие-то отклонения, то по всей видимости дело в алгоритме генерации ГПСЧ. Можно попробывать с числами с random.org. Главное, что на этом, самом низком этапе,у нас должен быть супернадежный СБ на 100% соответствующий теории.
1.3. Проверка Херста на сгенерированном СБ. Это особенный, очень важный момент. Здесь он должен пройти гарнила СБ, что бы его можно было допустить к более сложным формациям.
1.4. Генерация СБ с распределениями Паретто-Леви, на основе волатильности реальных инструментов. Теоретически, Херст должен показывать тоже что и ранее, на нормальном распределении. Если это будет не так, то надо будет смотреть, почему это происходит и имеет ли смысл дальнейшее исследование.
1.5. Добавления в СБ AR-эффектов. Необходимо внимательно изучить, как краткосрочные линейные зависимости могут исказить (в теории искажают) показания индикатора, как правильно учитывать эти эффекты и т.д.
1.6. Параллельно, хотелось бы развить тему цикличности, и поэкспериментировать с искусственными примитивами типа y=Cos(x) и более сложной функцией Вейерштрасса. Теоретически, V-статистика должна верно определять длинны циклов в этих процессах.
2.1 Если первый этап будет пройден, то фрактальный метод может быть допущен для работы на реальных финансовых рядах. На этом этапе мы уже будем абсолютно точно уверены в правильности предоставляемых им методов, а значит можно будет верно толковать полученные результаты.
P.S. Замечу, что большинство индикаторов ТА, типа RSI или MA, не пройдут даже самый первый тест на СБ. RSI к примеру, будет показывать зоны перекупленности и перепроданности, а SMA менять свое направление.
P.P.S. Интересно, время в течении которого RSI будет находиться в зоне перекупленности и перепроданности для СБ, будет примерно равно времени для настоящих финансовых рядов или нет?
Все-таки во всей этой теме меня подкупает то, что фрактальная статистика позиционируется как надежный метод отделения плевел (СБ) от зерен (реальные рынки). На глаз, графики СБ и рынков не отличимы, на них всех появляются фигуры тех. анализа, и все индикаторы ТА работают как на СБ так и на реальных ранках. Так если появляется какая-то последовательность (типа фигуры) там где она априори появиться не может, так значит, может ли она что-то означать в принципе? думаю нет.
Файл не цепляется . Почитайте лучше это .
ГУЛЯЕВА ОЛЬГА СТАНИСЛАВОВНА
УПРАВЛЕНИЕ ВАЛЮТНЫМИ РИСКАМИ НА ОСНОВЕ ПРЕДПРОГНОЗНОГО АНАЛИЗА ВАЛЮТНЫХ КУРСОВ ФРАКТАЛЬНЫМИ МЕТОДАМИ
Гугланите . Это проще . Может кто индюк сделает .
Да, я пролистал. Там несколько другой метод. Но пока меня больше интересует вопрос не как считать (это известно), а вопрос репрезентативности результатов и сведение теории с практикой.