Показатель Херста - страница 38
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
Прицепил текст. К сожалению формулы и теоретической части не получились.
Но конкретно описан процесс подгонки FARIMA
Чудной там АКФ на графиках. На рыночный совершенно не похож.
Чудной там АКФ на графиках. На рыночный совершенно не похож.
Да вроде все нормально. я полно видел таких для исходного котира, а не его разностей.
Для меня вопрос в другом.
Вопрос точности модели.
Абсолютно точной моделью является сам котир.
Можно взять очень не точную модель в виде прямой. А потом кривой, а потом еще что-либо учесть ...... Где остановиться. Чем точнее модель, тем она сильнее привязана к используемым для ее построения данным (подгонка). Отсюда. А нужна ли нам такая модель как FARIMA? Может это излишество? Достаточно сглаживания, ARMA для остатка, ну еще быть может (не обязательно) АRCH для остатка остатка?
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.
Не могу согласиться с выделенным. Есть две альтернативы насчет того, что является носителем информации о прошлом: либо это частица помнит свое прошлое состояние, либо это среда помнит состояние частицы. С учетом того, что внешняя среда как правило гораздо более сложный объект, а частица вообще может быть материальной точкой, то я бы скорее согласился со вторым вариантом.
Не могу согласиться с выделенным. Есть две альтернативы насчет того, что является носителем информации о прошлом: либо это частица помнит свое прошлое состояние, либо это среда помнит состояние частицы. С учетом того, что внешняя среда как правило гораздо более сложный объект, а частица вообще может быть материальной точкой, то я бы скорее согласился со вторым вариантом.
Как пример могу привести такой опыт, из того, что знаю: если мы рассмотрим блуждание электрона в кристаллической решетке кремния, то оно будет выражено законом с H=0.5. Но если добавить в кристалл n или p примесь, то уже получим совершенно другой характер: выйдет т.н. аномальная диффузия, для которой H будет существенно отличаться от 0.5. Очевидно, что в даном случае Н является именно характеристикой среды. Кстати, атомы примеси распределяются по объему полупроводника статистически фрактально, поэтому такое блуждание еще называют блужанием на фрактале.
А на что это может влиять в нашем случае? Ну то бишь какая нам разница, где хранится память - в материальной точке или в некой внешней среде?
Разница, наверное, в подходе к моделированию: чтобы построить теоретическую модель приятнее иметь какое-то фундаментальное объяснение происходящему, чтоб не тыкать пальцем в небо. Если мы считаем, что какие-то факторы являются порождением внешней среды, то и искать их будем там (исходя из своего жизненного опыта), а найдя, сможем более адекватную модель воздействия предложить. Если же фактор внутренний, то соответственно будем использовать какие-то соображения по поводу внутреннего устройства системы. Другими словами, внутренние и внешние силы описываются разными уравнениями, и было бы неплохо знать, с какими из них имеем дело.
Если конкретно.
Имеем авторегрессию. Строго котир. Ничего извне. Это внутренний фактор?
Имеем регрессию, по которой наш котир моделируем исходя из значений других котиров, типа: EURUSD = GBPUSD+..... Но это так сказать однородные переменные. Это внешний фактор?
Теперь к регрессии добавляем время суток, моделируем активность в зависимости от времени суток. Таких совсем "внешних" переменных можно набрать тучу. А это совсем внешний?
Не вижу места теории частицы и внешней среды.
Оно есть, но кто тут этим будет заниматься?
Нет, такой теории.
Надо идти от словесного описания модели.
А это экономические процессы в большом переменном числе и переменных взаимосвязях. Котир - это реализация этого процесса. Это не броуновский процесс, в котором молекула движется и сталкивается, т.е. представляет собой самостоятельный объект с собственными свойствами.
Если конкретно.
Имеем авторегрессию. Строго котир. Ничего извне. Это внутренний фактор?
Имеем регрессию, по которой наш котир моделируем исходя из значений других котиров, типа: EURUSD = GBPUSD+..... Но это так сказать однородные переменные. Это внешний фактор?
Теперь к регрессии добавляем время суток, моделируем активность в зависимости от времени суток. Таких совсем "внешних" переменных можно набрать тучу. А это совсем внешний?
Не вижу места теории частицы и внешней среды.
Регрессию можно строить на чем угодно, и этот метод называется методом тыка. Вопрос в том, можем ли мы заранее сказать, что из множества возможных регрессионных моделей такая-то будет лучше описывать поведения котира по тем-то причинам. Описать эти причины математически. Записать разностное уравнение, вычислить регрессионные коэффициенты аналитически - чтобы было ясно, какие из них представляют влияние внешних факторов, какие характеризуют внутренние свойства системы, а какие сочетают внутренние и внешние факторы.
Попробуйте для примера построить разностное уравнение одной из простейших систем - колебательного контура. В терминах регрессии это будет модель ARMA, а ее коэффициенты будут представлять комбинацию параметров самого контура и входного сигнала:
Y(k) = 2*a*cos(w0)*Y(k+1) - Y(k+2) + X(k) - a*sin(w0)*X(k+1)
Здесь X - неизвестное внешнее воздействие, Y - наблюдаемый отклик, a - параметр затухания, w0 - собственная частота колебаний