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
Зачем так далеко ходите?
Тут бы с обычными индюками разобратся...
В своих ТС всегда пытаюсь найти оптимальную ширину окна. Она колеблется в пределах 30-70 наблюдений (для Н1).
А какое окно конкретно? Вот, например, гауссовское подавляет граничные эффекты очень существенно по сравнению с обычным прямоугольным (оно и в частотной области тоже будет гауссовским, т.е. даст -40 дБ на октаву причем без побочных максимумов). Можно добиться тогда такой же реактивности, беря в расчет больше значений сигнала.
Зачем так далеко ходите?
Тут бы с обычными индюками разобратся...
Это хто?))
Рядовой Dersu !
Вольно! Че за конверты такие, красные и зеленые?
Конверты как конверты.
Встоенные.
Суббота, праздник...
Вон из темы ?
Если посмотреть на " H в большей степени характеризует внешнюю среду", то следует обратить внимание на английские термины, употребляемые в связи с Херстом. Вот копипаст из монографии по ВР:
establishing fractal geometry as a subject of study.
Прошу отметить такие слова
Some time series exhibit marked correlations at high lags
И
shows that long-memory
Попытался выяснить: что такое длинная память? Это оказывается автокорреляции свыше 40 наблюдений! Но в котирах столь длительная корреляция одного знака встречается крайне редко. Во всяком случае, потратив час, я не нашел.
Большое число людей пытаются использовать показатель Херста. Ни разу не видел положительного результата. Может быть сначала надо найти котиры. в которых long memory?
Петерс дает интересное определение длинной памяти. Почитайте. В его книгах на эту тему там много интересного. По нему выходит, что такие процессы банальным АКФ не измерить. АКФ действует в масштабе 5-6 лагов и все. Если H выразить как блуждание частицы с разбеганием равному квадратному корню из расстояния, то получаем частный случай нормального распределения StdDev = Sqrt(T) = T^(0,5). Так вот, если рассеивание частицы будет чуть выше или ниже 0.5, то это возможно в одном и только в одном случае: частица должна помнить свое прошлое состояние, а значит такой процесс будет обладать памятью. Т.е. H, это все-таки характеристика не внешнего воздействия, а зависимость от предыдущего состояния процесса. И если траектория убегания сохраняется, то стало быть она зависит от предыдущих значений и период памяти можно высчитать. И зачастую бывает так, что на всех масштабах вычислений угол наклона не меняется, и при этом, он не равен 0,5. В таком случае говорят, что процесс - истинный процесс Херста с бесконечной памятью. Только вот АКФ ничего такого не покажет.
В любых котирах можно идентифицировать этот самый long memory. Но АКФ здесь не подходит.
Петерс дает интересное определение длинной памяти. Почитайте. В его книгах на эту тему там много интересного. По нему выходит, что такие процессы банальным АКФ не измерить. АКФ действует в масштабе 5-6 лагов и все. Если H выразить как блуждание частицы с разбеганием равному квадратному корню из расстояния, то получаем частный случай нормального распределения StdDev = Sqrt(T) = T^(0,5). Так вот, если рассеивание частицы будет чуть выше или ниже 0.5, то это возможно в одном и только в одном случае: частица должна помнить свое прошлое состояние, а значит такой процесс будет обладать памятью. Т.е. H, это все-таки характеристика не внешнего воздействия, а зависимость от предыдущего состояния процесса. И если траектория убегания сохраняется, то стало быть она зависит от предыдущих значений и период памяти можно высчитать. И зачастую бывает так, что на всех масштабах вычислений угол наклона не меняется, и при этом, он не равен 0,5. В таком случае говорят, что процесс - истинный процесс Херста с бесконечной памятью. Только вот АКФ ничего такого не покажет.
К сожалению, по этому вопросу у меня собственного мнение нет.
Но могу сослаться на книгу
Cowpertwait and A.V. Metcalfe, Introductory Time Series with R, 159
Use R, DOI 10.1007/978-0-387-88698-5 8,
© Springer Science+Business Media, LLC 2009
в главе 8 которой описан процесс подгонки FARIMA. В этом процессе используется АКФ.
Прицепил текст. К сожалению формулы и теоретической части не получились.
Но конкретно описан процесс подгонки FARIMA