文章 "计算赫斯特指数" - 页 3

新评论
 
СанСаныч Фоменко:

例如，FGN 软件包中的函数 HurstK(z)，可以对 Hurst 系数进行非参数估计，从而得出更精确的值。

用" Pearson'sCorrelation Coefficient（皮尔逊相关系数）"替换高亮显示短语中的"Hurst coefficient（赫斯特系数）"，例如 "Pearson's Correlation Coefficient（皮尔逊相关系数）"。例如，用 "Pearson Correlation Coefficient（皮尔逊相关系数）"来代替，也许你就会感到突出显示的语句是多么荒谬。
 
fxsaber:
例如，将突出显示的短语中的 "赫斯特系数 "替换为 "皮尔逊相关系数"，也许你就会感到突出显示的语句的可笑之处。例如，把 "赫斯特系数 "换成 "皮尔逊相关系数"，也许你就会感到突出显示的语句的荒谬。

我不会去证实，因为我所有的帖子实际上都是针对文章作者的。

我看了他的个人简介，我的印象是，这个人倾向于在一定程度上提供他的推理和行动。以赫斯特的计算为例，我试图向文章作者说明，文章的水平可以在考虑相关领域已有成果的基础上提供。而这个水平、参照点、起舞的炉灶，正是 R 所提供的。也可以使用其他系统，例如 Python 或其他付费.....。但无论如何，我们都不应该假装这是本文关于该主题的第一句话。

我对其他一切都不感兴趣。

 
СанСаныч Фоменко:

我不会证实，因为我所有的帖子实际上都是针对文章作者的。

请看我上面的评论。如果把皮尔逊加到这个短语中，它就会因为某种原因而变得荒谬。如果把赫斯特放进去，就不会了。这有什么关系呢？

显然是因为皮尔逊是一种清晰的计算算法。而赫斯特也同样俗不可耐。

有 Hearst-DmitriyPiskarev，有 Hearst-R，还有很多其他的。有趣的是，我们无法对它们进行比较，因为在没有明确定义的情况下，不可能有比较标准。

这就是为什么人们会说赫斯特变体比另一种更精确。它们只不过是不同的价值，由于历史上的一个错误，人们把它们叫做同一个东西--赫斯特。

 
这篇文章很有意义，原因很简单，因为关于这一主题的信息很少。但遗憾的是，作者选择的研究载体并不正确。特别是，文章详细描述了所谓的 R/S 方法，而这种方法在 H 估算方面是如此密集和粗糙，以至于谈论它都显得不严肃。简单的实验，试着将生成的白噪声预积分为随机游走 I(1)，计算 H。你会得到 0.54-0.58 左右的相同数字。也就是说，R/S 其实并不适用于那些特征接近随机漫步的过程，而这些过程就是所有的市场。当然，在某些 H 大于 0.7 的尼罗河溢出事件中，R/S 会有所显示，但在真实市场中则不会。
 
fxsaber:

请看我上面的评论。如果我们把皮尔逊放在一个句子里，它就会因为某种原因而变得荒谬。而如果把赫斯特放进去，就不会了。这有什么关系呢？

显然是因为皮尔逊是一种清晰的计算算法。而赫斯特也同样俗不可耐。

有 Hearst-DmitriyPiskarev，有 Hearst-R，还有很多其他的。有趣的是，我们不可能对它们进行比较，因为没有明确的定义，就不可能有比较标准。

这就是为什么人们会说赫斯特变体比另一种更精确。它们只不过是不同的价值观，由于历史上的失误，人们把同样的东西叫做赫斯特。

我完全同意你的观点，赫斯特的计算算法和解释都非常模糊。

我写的是完全不同的东西：如果一个人给出了一种算法，他就应该证明这种算法的正确性。实现不正确算法的代码也是不正确的。

如果具体看文章中给出的算法，它使用的是 MNC 估算的线性回归。这篇文章与实际情况完全不符，因为 ISC 估算线性回归系数是对两个随机变量：位移 "a "和坡度角 "b "的评估。如果作者使用的是 R 语言中的 lm() 函数，他就会发现令人惊讶的现象：他认为是赫斯特系数的 "b "值在纸面上并不一定存在，但实际上可能根本不存在，因为标准的 lm() 函数除了给出 "b "值本身外，还给出了它的方差和置信度。在使用线性回归时，置信度往往远低于 90%。

下面是一个包含多个变量的标准线性回归估计表示例

Coefficients: (5 not defined because of singularities)
                    Estimate Std. Error z value      Pr(>|z|)    
(Intercept)       -338.88337  152.55692  -2.221      0.026327 *  
rsi_eurusd           0.01237    0.01363   0.908      0.363934    
macd_eurusd         13.94972    4.36041   3.199      0.001378 **
trix_eurusd       -741.34816  148.31309  -4.999 0.00000057768 ***
sig_eurusd        1118.41702  212.31435   5.268 0.00000013811 ***
trix_eurusd_trend         NA         NA      NA            NA    
trix_gbpusd        407.84268  131.29586   3.106      0.001895 **
sig_gbpusd        -918.57282  202.12341  -4.545 0.00000550361 ***
trix_gbpusd_trend         NA         NA      NA            NA    
trix_eurgbp        264.59572  115.74195   2.286      0.022249 *  
sig_eurgbp        -795.43634  159.17763  -4.997 0.00000058180 ***
trix_eurgbp_trend         NA         NA      NA            NA    
trix_usdchf        -76.32606   27.15637  -2.811      0.004945 **
sig_usdchf          14.28410   31.35889   0.456      0.648747    
trix_usdjpy          5.42010    8.93393   0.607      0.544059    
sig_usdjpy          65.28629   11.08181   5.891 0.00000000383 ***
trix_usdjpy_trend         NA         NA      NA            NA    
trix_usdcad         32.76774   21.62655   1.515      0.129731    
sig_usdcad         -25.12268   25.27109  -0.994      0.320161    
trix_usdcad_trend         NA         NA      NA            NA    
fit.eurusd         -72.05260  149.20763  -0.483      0.629166    
fit.gbpusd        -304.38920  121.47457  -2.506      0.012218 *  
fit.eurgbp         253.58306  132.96820   1.907      0.056508 .  
fit.usdchf        -387.54743  100.37962  -3.861      0.000113 ***
fit.usdjpy           1.82458    0.41496   4.397 0.00001097684 ***
fit.usdcad        -133.88962   81.83316  -1.636      0.101813    
fit.eurusd.2        25.03730  160.94619   0.156      0.876377    
fit.gbpusd.2       423.37220  143.07774   2.959      0.003086 **
fit.eurgbp.2      -227.97261  192.34022  -1.185      0.235916    
fit.usdchf.2       426.74965  101.14174   4.219 0.00002450374 ***
fit.usdjpy.2        -2.15458    0.42133  -5.114 0.00000031587 ***
fit.usdcad.2       321.48459   86.36230   3.723      0.000197 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

只有标有星号的值才可以在指定的置信度下值得信赖。其余的都是虚构的，数字是存在的，但实际上并非如此！

这就是问题所在。这关系到计算的准确性和对每个计算结果的仔细关注。

 
fxsaber:

请看我上面的评论。如果我们把皮尔逊放在一个句子里，它就会因为某种原因而变得荒谬。而如果把赫斯特放进去，就不会了。这有什么关系呢？

显然是因为皮尔逊是一种清晰的计算算法。而赫斯特也同样俗不可耐。

有 Hearst-DmitriyPiskarev，有 Hearst-R，还有很多其他的。有趣的是，不可能对它们进行比较，因为没有明确的定义，就不可能有比较标准。

这就是为什么人们会说赫斯特变体比另一种更精确。它们只是不同的数值，由于历史上的失误，人们把它们叫做同一个东西--赫斯特。

赫斯特不是一种计算算法，而是过程的一种特性。因此，这一特征可以用不同的方法计算。这就是为什么它没有什么特别之处。最重要的是，最终计算结果应与其他公认的计算算法 相吻合，否则得到的值将不是 Hirst，而是其他值。
 

СанСаныч Фоменко:

Например,  пакет FGN с функция HurstK(z), в которой производится непараметрическая оценка коэффициента Херста, которая дает гораздо более точную величину.

fxsaber:
例如，将突出显示的短语中的 "赫斯特系数 "改为 "皮尔逊相关系数"，也许您就会感到突出显示的语句的荒谬。例如，将 "Pearson Correlation Coefficient "改为 "Pearson Correlation Coefficient"，然后，也许你就会感受到突出显示的语句的荒谬之处。
SanSanych 说得非常对。我不明白为什么 R/S 方法被称为非参数方法，尽管它是基于标准偏差 S 的，这甚至反映在它的名称中。
 
СанСаныч Фоменко:

我完全同意你的观点，赫斯特的东西在计算算法和解释方面都非常模糊。

我的观点完全不同：如果给出一种算法，就应该证明这种算法是正确的。实现不正确算法的代码也是不正确的。

如果具体看文章中给出的算法，它使用的是 MNC 估算的线性回归。这篇文章与实际情况完全不符，因为 ISC 估算线性回归系数是对两个随机变量：位移 "a "和坡度角 "b "的评估。如果作者使用的是 R 语言中的 lm() 函数，他就会发现令人惊讶的现象：他认为是赫斯特系数的 "b "值在纸面上并不一定存在，但实际上可能根本不存在，因为标准的 lm() 函数除了给出 "b "值本身外，还给出了它的方差和置信度。在使用线性回归时，置信度往往远低于 90%。

下面是一个包含多个变量的标准线性回归估计表示例

Coefficients: (5 not defined because of singularities)
                    Estimate Std. Error z value      Pr(>|z|)    
(Intercept)       -338.88337  152.55692  -2.221      0.026327 *  
rsi_eurusd           0.01237    0.01363   0.908      0.363934    
macd_eurusd         13.94972    4.36041   3.199      0.001378 **
trix_eurusd       -741.34816  148.31309  -4.999 0.00000057768 ***
sig_eurusd        1118.41702  212.31435   5.268 0.00000013811 ***
trix_eurusd_trend         NA         NA      NA            NA    
trix_gbpusd        407.84268  131.29586   3.106      0.001895 **
sig_gbpusd        -918.57282  202.12341  -4.545 0.00000550361 ***
trix_gbpusd_trend         NA         NA      NA            NA    
trix_eurgbp        264.59572  115.74195   2.286      0.022249 *  
sig_eurgbp        -795.43634  159.17763  -4.997 0.00000058180 ***
trix_eurgbp_trend         NA         NA      NA            NA    
trix_usdchf        -76.32606   27.15637  -2.811      0.004945 **
sig_usdchf          14.28410   31.35889   0.456      0.648747    
trix_usdjpy          5.42010    8.93393   0.607      0.544059    
sig_usdjpy          65.28629   11.08181   5.891 0.00000000383 ***
trix_usdjpy_trend         NA         NA      NA            NA    
trix_usdcad         32.76774   21.62655   1.515      0.129731    
sig_usdcad         -25.12268   25.27109  -0.994      0.320161    
trix_usdcad_trend         NA         NA      NA            NA    
fit.eurusd         -72.05260  149.20763  -0.483      0.629166    
fit.gbpusd        -304.38920  121.47457  -2.506      0.012218 *  
fit.eurgbp         253.58306  132.96820   1.907      0.056508 .  
fit.usdchf        -387.54743  100.37962  -3.861      0.000113 ***
fit.usdjpy           1.82458    0.41496   4.397 0.00001097684 ***
fit.usdcad        -133.88962   81.83316  -1.636      0.101813    
fit.eurusd.2        25.03730  160.94619   0.156      0.876377    
fit.gbpusd.2       423.37220  143.07774   2.959      0.003086 **
fit.eurgbp.2      -227.97261  192.34022  -1.185      0.235916    
fit.usdchf.2       426.74965  101.14174   4.219 0.00002450374 ***
fit.usdjpy.2        -2.15458    0.42133  -5.114 0.00000031587 ***
fit.usdcad.2       321.48459   86.36230   3.723      0.000197 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

只有标有星号的值才可以在指定的置信度下值得信赖。其余的都是虚构的，数字是存在的，但实际上并非如此！

这就是问题所在。这关系到计算的准确性和对每个计算结果的仔细关注。

在做出任何结论之前，有必要了解回归是根据什么数据计算出来的。

桑-桑尼奇，很抱歉，你真的受够了你的 "专家判断"。从你的角度看，除了永恒地坚持一些 R 之外，你根本看不到任何东西。至少把一些 MQL 代码放在什么地方，这样你才能清楚地了解一些东西。

 
为了维护桑-桑尼奇，我可以给大家讲一个故事/例子：
一位老教师对年轻教师说--如果在你看来，某个学生总是问你愚蠢的问题，惹恼了你，那么请想一想--也许这是你班上唯一一个认真听你讲课的学生。
 
Dmitriy Piskarev:

马克西姆，谢谢你的评论！

是的，你说得没错，当然，赫斯特系数的计算只是一个基础，至少可以让我们对某种矩阵统计在时间序列研究中的应用略知一二。我支持你的观点，而且我还认为，只用系数分析来预测市场动态是幼稚和错误的。当然，有必要在综合指标的基础上，利用各种指标和来源来制定战略。

在下一篇文章中，我一定会向您展示我对分形分析的正确理解。

再次感谢您的评论。

附注：有人要求我对 MT5 工具进行评论，以便进行此类分析。我借此机会推广一下。

超级，我们正在等待......主题需要发展 )
12345
新评论