Arkadaşlar takas neredeyse yok biraz teori yapmanın zamanı geldi. Komik bir resim çizdim işleri kanalda tartışalım.
Benim düşünceme göre, kanal yardımcı bir araçtır ve başka bir şekilde alınan bir sinyali doğrulamaya hizmet eder.
HP kanalı
Saçmalık, tüm bu kanallar, trendler ve daha fazlası... Tarihte tüm bunlar iyi görünüyor ve gelecek, DURAĞAN OLMAYAN sislerin ardında saklı.
Ya durağan olmayı her zaman hatırlarız ve buna karşı enstrümanlar ararız, sonra uygularız ya da mevduatı boşaltırız.
1. Kalıp ticareti (bir kanal aynı zamanda bir kalıptır). TA + beyinlerini (deneyimi) alıyoruz - en umut verici olanı ve kazanabiliriz. Veya MO'yu alırız, otomatik olarak kalıpları ararız ... ve hedef değişken için tekrar kararlı kalıplar üretmesi gereken ilk verilere dayanırız. Asıl sorun, örüntü arama algoritması değil, bu örüntüler için kaynak verileri bulma yeteneğidir. Deneyimler, bu tür yaklaşık 30 başlangıç verisi (çoklu para birimi) olduğunu göstermektedir.Prensip olarak, böyle bir miktarda çok boyutlu kanalları aramak mümkündür. Ve gerekli mi?
2. İstatistikler (matlab'da " Ekonometri " araç kutusu). GARCH. Orijinal seriyi şimdi üç adımda durağan hale dönüştürüyoruz. Sonuna kadar HİÇ KİMSE modelden durağan bir artık elde etmeyi başaramadı. Ve eğer kalan durağan değilse, o zaman her zaman depoyu boşaltan bir durum ortaya çıkar.
Sonuna kadar HİÇ KİMSE modelden durağan bir artık elde etmeyi başaramadı. Ve eğer kalan durağan değilse, o zaman her zaman depoyu boşaltan bir durum ortaya çıkar.
Asıl sorun, örüntü arama algoritması değil, bu örüntüler için kaynak verileri bulma yeteneğidir. Deneyimler, bu tür yaklaşık 30 başlangıç verisi (çoklu para birimi) olduğunu göstermektedir.
Daha spesifik olabilir misin? Hangi 30 başlangıç verisi kalıp içerir?
peki, mb birinin python ile ilgili örnekleri çözmesi ve kanalların neden çalışmadığını satın alması gerekiyor
Eh, ana mesaj şudur - doğrusal olmayan (anlamda durağan olmayan) her şey tahmin edilebilir, çünkü ortalamaya yaklaşmaz .. her şey o kadar banal ki, ekonometrinin inanamazsınız Bernoulli'nin veya bir başkasının fikirlerinden daha ötedir.. Gauss henüz gidememiştir.
So what? Why do we care about stationarity? A stationary time series (TS) is simple to predict as we can assume that future statistical properties are the same or proportional to current statistical properties.Most of the models we use in TSA assume covariance-stationarity (#3 above). This means the descriptive statistics these models predict...
Saçmalık, tüm bu kanallar, trendler ve daha fazlası... Tarihte tüm bunlar iyi görünüyor ve gelecek, DURAĞAN OLMAYAN sislerin ardında saklı.
Ya durağan olmayı her zaman hatırlarız ve buna karşı enstrümanlar ararız, sonra uygularız ya da mevduatı boşaltırız.
1. Kalıp ticareti (bir kanal aynı zamanda bir kalıptır). TA + beyinlerini (deneyimi) alıyoruz - en umut verici olanı ve kazanabiliriz. Veya MO'yu alırız, otomatik olarak kalıpları ararız ... ve hedef değişken için tekrar kararlı kalıplar üretmesi gereken ilk verilere dayanırız. Asıl sorun, örüntü arama algoritması değil, bu örüntüler için kaynak verileri bulma yeteneğidir. Deneyimler, bu tür yaklaşık 30 başlangıç verisi (çoklu para birimi) olduğunu göstermektedir.Prensip olarak, böyle bir miktarda çok boyutlu kanalları aramak mümkündür. Ve gerekli mi?
2. İstatistikler (matlab'da " Ekonometri " araç kutusu). GARCH. Orijinal seriyi şimdi üç adımda durağan hale dönüştürüyoruz. Sonuna kadar HİÇ KİMSE modelden durağan bir artık elde etmeyi başaramadı. Ve eğer kalan durağan değilse, o zaman her zaman depoyu boşaltan bir durum ortaya çıkar.
Tamamen katılıyorum. Kanallar, eğilimler, genel olarak, a posteriori ve zaten var olan tarihi anlamanın olağan yolumuzdur. Hareketli olasılık dağılımlarının hesaplanması gerekir - bu daha güvenilir bilgi verecektir. Ancak burada da durağan olmama durumu haritaları karıştırıyor.
Aleksey Ivanov : Tamamen katılıyorum. Kanallar, eğilimler, genel olarak, a posteriori ve zaten var olan tarihi anlamanın olağan yolumuzdur. Hareketli olasılık dağılımlarının hesaplanması gerekir - bu daha güvenilir bilgi verecektir. Ancak burada da durağan olmama durumu haritaları karıştırıyor.
Aynen öyle. 2 aydır konu başlığımda bunun nasıl yapılacağından bahsediyorum. Ve en saygıdeğer insanlardan bazıları bu konularda kesinlikle aptaldır. Basitçe söylemek gerekirse, karıştırmayın. Onların domino oynama zamanı geldi :))))
Aleksey Ivanov : Tamamen katılıyorum. Kanallar, eğilimler, genel olarak, a posteriori ve zaten var olan tarihi anlamanın olağan yolumuzdur. Hareketli olasılık dağılımlarının hesaplanması gerekir - bu daha güvenilir bilgi verecektir . Ancak burada da durağan olmama durumu haritaları karıştırıyor.
Bu, GARCH'ta yaklaşık 15 yıl boyunca yapılır.Ancak bundan önce, artışlar için iki eylem daha vardır: artışlarla bir trend modeli ve bir oynaklık modeli (GARCH - ilk etapta oynaklık kümelemesi, ancak birçok başka nüans var) . Daha sonra hareketli yoğunluk hesaplanır ve genellikle t-dağılımı ile modellenir. GARCH modellerinin gelişim tarihine bakarsanız , olasılık yoğunluğunu modelledikten sonra bu modellerin performansı radikal bir şekilde arttı. Yani onsuz, hiçbir yerde.
Arkadaşlar takas neredeyse yok biraz teori yapmanın zamanı geldi. Komik bir resim çizdim işleri kanalda tartışalım.
Benim düşünceme göre, kanal yardımcı bir araçtır ve başka bir şekilde alınan bir sinyali doğrulamaya hizmet eder.
HP kanalı
Saçmalık, tüm bu kanallar, trendler ve daha fazlası... Tarihte tüm bunlar iyi görünüyor ve gelecek, DURAĞAN OLMAYAN sislerin ardında saklı.
Ya durağan olmayı her zaman hatırlarız ve buna karşı enstrümanlar ararız, sonra uygularız ya da mevduatı boşaltırız.
1. Kalıp ticareti (bir kanal aynı zamanda bir kalıptır). TA + beyinlerini (deneyimi) alıyoruz - en umut verici olanı ve kazanabiliriz. Veya MO'yu alırız, otomatik olarak kalıpları ararız ... ve hedef değişken için tekrar kararlı kalıplar üretmesi gereken ilk verilere dayanırız. Asıl sorun, örüntü arama algoritması değil, bu örüntüler için kaynak verileri bulma yeteneğidir. Deneyimler, bu tür yaklaşık 30 başlangıç verisi (çoklu para birimi) olduğunu göstermektedir.Prensip olarak, böyle bir miktarda çok boyutlu kanalları aramak mümkündür. Ve gerekli mi?
2. İstatistikler (matlab'da " Ekonometri " araç kutusu). GARCH. Orijinal seriyi şimdi üç adımda durağan hale dönüştürüyoruz. Sonuna kadar HİÇ KİMSE modelden durağan bir artık elde etmeyi başaramadı. Ve eğer kalan durağan değilse, o zaman her zaman depoyu boşaltan bir durum ortaya çıkar.
Sonuna kadar HİÇ KİMSE modelden durağan bir artık elde etmeyi başaramadı. Ve eğer kalan durağan değilse, o zaman her zaman depoyu boşaltan bir durum ortaya çıkar.
"Hepimiz birleşeceğiz" sözünü çok zor gizlediniz.
Asıl sorun, örüntü arama algoritması değil, bu örüntüler için kaynak verileri bulma yeteneğidir. Deneyimler, bu tür yaklaşık 30 başlangıç verisi (çoklu para birimi) olduğunu göstermektedir.
Daha spesifik olabilir misin? Hangi 30 başlangıç verisi kalıp içerir?
İşte kalıpların doğrusaldan gruba evrimi
peki, mb birinin python ile ilgili örnekleri çözmesi ve kanalların neden çalışmadığını satın alması gerekiyor
Eh, ana mesaj şudur - doğrusal olmayan (anlamda durağan olmayan) her şey tahmin edilebilir, çünkü ortalamaya yaklaşmaz .. her şey o kadar banal ki, ekonometrinin inanamazsınız Bernoulli'nin veya bir başkasının fikirlerinden daha ötedir.. Gauss henüz gidememiştir.
http://www.blackarbs.com/blog/time-series-analysis-in-python-linear-models-to-garch/11/1/2016
ticaret testi böyle geçti
peki, otomatikleştir
Ben bir programcı değilim, işlemler w4'te yapıldı, böylece ellerinizle yavaşça ticaret yapabilirsiniz
bu nedenle, sonucunuza güvenemeyiz, çünkü rastgele olabilir :)
Saçmalık, tüm bu kanallar, trendler ve daha fazlası... Tarihte tüm bunlar iyi görünüyor ve gelecek, DURAĞAN OLMAYAN sislerin ardında saklı.
Ya durağan olmayı her zaman hatırlarız ve buna karşı enstrümanlar ararız, sonra uygularız ya da mevduatı boşaltırız.
1. Kalıp ticareti (bir kanal aynı zamanda bir kalıptır). TA + beyinlerini (deneyimi) alıyoruz - en umut verici olanı ve kazanabiliriz. Veya MO'yu alırız, otomatik olarak kalıpları ararız ... ve hedef değişken için tekrar kararlı kalıplar üretmesi gereken ilk verilere dayanırız. Asıl sorun, örüntü arama algoritması değil, bu örüntüler için kaynak verileri bulma yeteneğidir. Deneyimler, bu tür yaklaşık 30 başlangıç verisi (çoklu para birimi) olduğunu göstermektedir.Prensip olarak, böyle bir miktarda çok boyutlu kanalları aramak mümkündür. Ve gerekli mi?
2. İstatistikler (matlab'da " Ekonometri " araç kutusu). GARCH. Orijinal seriyi şimdi üç adımda durağan hale dönüştürüyoruz. Sonuna kadar HİÇ KİMSE modelden durağan bir artık elde etmeyi başaramadı. Ve eğer kalan durağan değilse, o zaman her zaman depoyu boşaltan bir durum ortaya çıkar.
haklısın .. Hiçbir şey yapmıyorum)) ama anlamını ortaya koydum, bir baykuş yazabilirsin ... sonuçlara bakmak ilginç olacak
Tamamen katılıyorum. Kanallar, eğilimler, genel olarak, a posteriori ve zaten var olan tarihi anlamanın olağan yolumuzdur. Hareketli olasılık dağılımlarının hesaplanması gerekir - bu daha güvenilir bilgi verecektir. Ancak burada da durağan olmama durumu haritaları karıştırıyor.
Tamamen katılıyorum. Kanallar, eğilimler, genel olarak, a posteriori ve zaten var olan tarihi anlamanın olağan yolumuzdur. Hareketli olasılık dağılımlarının hesaplanması gerekir - bu daha güvenilir bilgi verecektir . Ancak burada da durağan olmama durumu haritaları karıştırıyor.