В файл MicroStructure_Foundation.mqh добавлена функция оценки параметра d (ключевого параметра модели ARFIMA), основанная на методе GPH. Функция GPHEstimator() оценивает d по регрессии лог-периодограммы. Функция PopulateARFIMAAnalysis() сохраняет d с показателем достоверности R² и проверяет теоретическую связь H = d + 0,5. Исследование 72 сессий US100 на таймфрейме M1 дало объединенную оценку d = -0,006. Это согласуется с границей случайного блуждания, установленной во второй части.
В первой части серии был создан защитный базовый слой: математические функции с проверками, проверка ценовых данных и устойчивые статистические примитивы. Во второй части мы добавили три оценщика показателя Херста и установили важный эмпирический результат на данных фьючерсов US100 в Globex на таймфрейме M1: H со взвешиванием по достоверности близок к 0,5, объединенная оценка после открытия равна 0,511, а скользящее среднее по барам — около 0,48. Все три оценщика дают значения по обе стороны от границы случайного блуждания.
Из этого результата следует конкретный инженерный вопрос. Показатель H сообщает нам, есть ли у ряда память и каково ее направление. Но по H нельзя определить, какой порядок дробного дифференцирования нужен ценовому ряду, чтобы он стал стационарным. Если к ряду с истинным параметром d = 0,3 применить обычное дифференцирование первого порядка (d = 1), ряд окажется избыточно дифференцированным. Структура дальней зависимости при этом разрушается. Если ряд с d = 0,4 не дифференцировать, полученный признак останется нестационарным.
Оценщик Гевеке — Портера — Худака (GPH) решает не ту же задачу, что показатель Херста. Показатель Херста измеряет самоподобие временного ряда, а метод GPH напрямую оценивает параметр дробного дифференцирования d по наклону лог-периодограммы. Теоретически величины связаны соотношением d = H - 0,5, но оцениваются разными методами и могут расходиться при краткосрочной автокорреляции, нестационарности или структурных разрывах. Совместное применение обоих методов дает проверку согласованности, которую ни одна из этих оценок по отдельности обеспечить не может.
В этой статье мы добавляем в файл MicroStructure_Foundation.mqh две функции: GPHEstimator() и PopulateARFIMAAnalysis(). Функции оценивают d по регрессии лог-периодограммы, записывают результат в RobustFractalAnalysis.arfima_d и сверяют его с оценкой показателя Херста из второй части. Исследование данных US100 на таймфрейме M1 за 72 нью-йоркские сессии подтверждает близость d к нулю, что согласуется с результатом второй части, и показывает разброс оценок между сессиями.
Для авторизации и пользования сайтом MQL5.com необходимо разрешить использование файлов Сookie.
Пожалуйста, включите в вашем браузере данную настройку, иначе вы не сможете авторизоваться.
Вы вошли в аккаунт. Двухфакторная аутентификация отключена. Настройте её заново и отсканируйте новый QR-код или продолжите с отключённой двухфакторной аутентификацией.
Опубликована статья Рыночная микроструктура в MQL5 (Часть 3): Оценка параметра d модели ARFIMA методом GPH:
В первой части серии был создан защитный базовый слой: математические функции с проверками, проверка ценовых данных и устойчивые статистические примитивы. Во второй части мы добавили три оценщика показателя Херста и установили важный эмпирический результат на данных фьючерсов US100 в Globex на таймфрейме M1: H со взвешиванием по достоверности близок к 0,5, объединенная оценка после открытия равна 0,511, а скользящее среднее по барам — около 0,48. Все три оценщика дают значения по обе стороны от границы случайного блуждания.
Из этого результата следует конкретный инженерный вопрос. Показатель H сообщает нам, есть ли у ряда память и каково ее направление. Но по H нельзя определить, какой порядок дробного дифференцирования нужен ценовому ряду, чтобы он стал стационарным. Если к ряду с истинным параметром d = 0,3 применить обычное дифференцирование первого порядка (d = 1), ряд окажется избыточно дифференцированным. Структура дальней зависимости при этом разрушается. Если ряд с d = 0,4 не дифференцировать, полученный признак останется нестационарным.
Оценщик Гевеке — Портера — Худака (GPH) решает не ту же задачу, что показатель Херста. Показатель Херста измеряет самоподобие временного ряда, а метод GPH напрямую оценивает параметр дробного дифференцирования d по наклону лог-периодограммы. Теоретически величины связаны соотношением d = H - 0,5, но оцениваются разными методами и могут расходиться при краткосрочной автокорреляции, нестационарности или структурных разрывах. Совместное применение обоих методов дает проверку согласованности, которую ни одна из этих оценок по отдельности обеспечить не может.
В этой статье мы добавляем в файл MicroStructure_Foundation.mqh две функции: GPHEstimator() и PopulateARFIMAAnalysis(). Функции оценивают d по регрессии лог-периодограммы, записывают результат в RobustFractalAnalysis.arfima_d и сверяют его с оценкой показателя Херста из второй части. Исследование данных US100 на таймфрейме M1 за 72 нью-йоркские сессии подтверждает близость d к нулю, что согласуется с результатом второй части, и показывает разброс оценок между сессиями.
Автор: Max Brown