Наша МАша! - страница 4
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
Идеальная МА, вроде как есть. 'Диалог автора. Александр Смирнов.'
см. пост ANG3110 06.02.2008 20:48
Какая же она идеальная если перерисовывает?
мы максимизируем профит "не зная" истории, анализируя только свежий отсчёт котира и одно его предыдущее значение Х[i]-Х[i-1] и всё. Вроде как так.
Т.е. вы создаете самую прибыльную систему из возможных. И разрабатываемый метод использует все законномерности, которые возможно проследить на доступной вам истории.
Смело!
Какая же она идеальная если перерисовывает?
Берем историю, на ней строим идеальную МА. Это то к чему стремиться. И ищем что не перерисовывается и имеет минимум отклонения от этой кривой. Как то так
Т.е. вы создаете самую прибыльную систему из возможных. И разрабатываемый метод использует все законномерности, которые возможно проследить на доступной вам истории.
Смело!
Ну-ну. Я что, смахиваю на пациента палаты №6?
Очевидно, что если использовать этот метод или любой другой для предсказания динамики интегрированной случайной величины (именно случайной, а не квазислучайной), то получим ноль! По определению, обыграть случайный процесс нельзя, это закон природы. С другой стороны, временные ряды (ВР) типа ценовых не являются случаными в полной мере, в них есть явные и скрытые закономерности, эксплуатация которых, позволяет получать статдоставерный доход на рынке Форекс. Итак, нужны методы и инструменты для выявления этих слабых закономерностей. Одним из таких методов является применение скользящих средних к котиру. У этого метода есть вполне определённая область применимости, где его эксплуатация обоснована и корректна с математической точки зрения. По своей сути, все скользящие средние, это форма интегрирования исходного ВР. В самом общем смысле интегрирование - предсказание будущего по тенденциям, а дифференцирование - определение тенденций процесса. Но каких именно тенденций? Если внимательно рассмотреть связку
ВР-МА-разложение в Ряд-Предсказание, то нетрудно определить требование применимости метода МА, как положительный коэффициент корреляции между соседними отсчётами в ряде первой разности ВР. Именно в этом случае, МАшки дадут профитные стратегии, а наша МАша выдаст самый лучший профит из всех возможных! За это и боремся.
Однако, если проанализировать ценовые ВР на соответствие выше озвученному требованию, то результат анализа получится скорее негативный. Действительно, реалии таковы, что ценовые ряды на всех ТФ имеют как правило малый отрицательный коэффициент автокорреляции в ряде первой разности и только иногда, на трендах, этот коэффициент положителен.
О применимости предлагаемого метода и его эффективности, можно будет судить только по результатам эксперимента.
Все хочу до Булашова добраться. Формула идеальной машки там примерно такая же была. Но получилась в итоге ДЕМА
Вместо Машек я использую интерполяцию степенными полиномами методом НК
на некотором окне. Понятно что экстраполяция интерполяционной кривулины
даже в малой будущей окрестности, почти лишена смысла, но описать текущее
состояние в самом интересном месте - у правого края ВР, она позволяет.
При этом варьируя размер окна и степЕнность кривулины, можно более
общо или наоборот детально рассмотреть происходящее, выделяя текущий
процесс и его фазы.
Прогнозировать будущее ВР по моему, можно только анализируя
эволюцию процессов - типа, был процесс сильного падения, в текущем состоянии
он сменился боковым процессом -> далее возможен процесс роста.
Такой подход, на мой взгляд особенно полезен сетевикам, ведь НС можно
скармливать какие-то типовые характеристики интерполяционной кривой,
например трендовую компоненту (направление и величину), отклонение от
трендовой компоненты, формализованный вид кривой и т.д. - вобщем насколько
фантазии хватит, - обучая сетку выделять текущий и предсказывать
будущий процессы и исходя из этого строить торговую стратегию.
Еще можно по разному сглаживать далекое и близкое прошлое - нечто
аналогичное ЕМА. Можно, и вовсе осуществлять синтетический подход
- использовать мувинги с сильным сглаживанием и соответственно с большой
задержкой, а близкое прошлое, там где мувинг еще не работает,
анализировать по интерполяционной кривой.
Такой подход, на мой взгляд особенно полезен сетевикам, ведь НС можно
скармливать какие-то типовые характеристики интерполяционной кривой,
например трендовую компоненту (направление и величину), отклонение от
трендовой компоненты, формализованный вид кривой и т.д. - вобщем насколько
фантазии хватит, - обучая сетку выделять текущий и предсказывать
будущий процессы и исходя из этого строить торговую стратегию.
На мой взгляд, такого рода предобработка входных данных для НС, своего рода костыли. Интегрируя исходный ВР с помощью мувов, мы прежде всего делаем картину ценообразования наглядной для самих себя (гладкая кривая, видны тенденции), сам же процесс сглаживания не привносит дополнительной информации к входным данным (её не откуда взяться) и, следовательно, не облегчает работу НС. С этой точки зрения, на вход НСнужно подавать специально препарированные данные, максимально акцентирующие внимание сети на квазистационарном процессе. Кандидатом на такой процесс может быть отрицательный коэффициент корреляци в РПР, его,кстати, невозможно выделить интегрированием (сглаживанием) котира. Тут нужны другие методы и подходы. Это кажется перспективным.
Еще можно по разному сглаживать далекое и близкое прошлое - нечто
аналогичное ЕМА. Можно, и вовсе осуществлять синтетический подход
- использовать мувинги с сильным сглаживанием и соответственно с большой
задержкой, а близкое прошлое, там где мувинг еще не работает,
анализировать по интерполяционной кривой.
Сложно всё это и требует хорошего обоснования, а так, наскоком, почти наверняка пустая трата сил и времени.
... ценовые ряды на всех ТФ имеют как правило малый отрицательный коэффициент автокорреляции в ряде первой разности и только иногда, на трендах, этот коэффициент положителен.
Пусть, имеется некая выборка из исходного ВР, например на М1. Строим ряд первой разности d1[i]=Open[i]-Open[i-1], тогда коэффициент корреляции для ТФ=1м между соседними отсчётами считается так; f1=SUM(d1[i]*d1[i-1])/SUM(d1[i]^2), где индекс пробегает все значения ВР. Для ТФ=2м поступаем аналогично, предварительно построив ВР для 2м и найдя его первую разность d2[i] и т.д. до нужного ТФ. Я ограничился ТФ=1500 минут (примерно сутки). Может возникнуть вопрос, как построить из минуток другой ТФ, например для М2, но тут вроде всё прозрачно. Именно эти данные (значение коэффициента корреляции в РПР для разных ТФ) я и привёл на графике в предыдущем посте.
Пусть, имеется некая выборка из исходного ВР, например на М1. Строим ряд первой разности d1[i]=Open[i]-Open[i-1], тогда коэффициент корреляции для ТФ=1м между соседними отсчётами считается так; f1=SUM(d1[i]*d1[i-1])/SUM(d1[i]^2), где индекс пробегает все значения ВР. Для ТФ=2м поступаем аналогично, предварительно построив ВР для 2м и найдя его первую разность d2[i] и т.д. до нужного ТФ. Я ограничился ТФ=1500 минут (примерно сутки). Может возникнуть вопрос, как построить из минуток другой ТФ, например для М2, но тут вроде всё прозрачно. Именно эти данные (значение коэффициента корреляции в РПР для разных ТФ) я и привёл на графике в предыдущем посте.
Еще лучше ) Что это за формулы и откуда Вы их берете.
вот посмотрите как расчитывается коэффициент кореляции https://ru.wikipedia.org/wiki/%D0%9A%D0%BE%D1%8D%D1%84%D1%84%D0%B8%D1%86%D0%B8%D0%B5%D0%BD%D1%82_%D0%BA%D0%BE%D1%80%D1%80%D0%B5%D0%BB%D1%8F%D1%86%D0%B8%D0%B8
коэффициент кореляции расчитывается между массивами, а не между отсчетами. Пожалуйста будте точны в ваших формулировках, что бы другие могли понять про что Вы говорите, что утверждаете и что считаете.