文章 "利用箱形图（Boxplot）探索金融时间序列的季节性形态" - 页 27

[[删除]]

Stanislav Korotky:

我通过MqlRates 适配器和一些其他更新，将 OLAP 安装到了条形图分析中。对于 2010 年至 2019 年期间的欧元兑美元 M15，我决定按收盘-开盘条形图范围计算利润因子聚合器，并按每周的 小时和天数 细分。由于该聚合器给出的是正数与负数的比率，因此其最大值（大于 1）和最小值（小于 1）可分别解释为适合买入和卖出（对于卖出，从显示的 PF 小于 1 的情况来看，您需要取 1/PF 的倒数来获得卖出的盈利能力）。以下是对数（我没有制作图表）：

每条线上都有 PF、小时和星期。标出最有吸引力的选项。您可以看到，几乎在所有的日子里，都建议在 23 点卖出，在 0 至 4 点买入。

这很好，至少我们明白了为什么需要 olap：)在 Python 中，聚合就是基于这样的原理工作的，嗯，差不多是这样。这给了我一些有趣的想法。

[Igor Makanu]

Maxim Dmitrievsky:
T9

好的，接受。

关于这个问题，好吧，既然理论已经万事俱备，那还等什么呢？;)

[[删除]]

Igor Makanu:

好吧，收到。

关于这个问题，好吧，如果理论上万事俱备，那还等什么呢？;)

我会一边准备一边写。但我不会嚼舌头，我会按照我自己的方式写出来。总之，剩下的你们自己去幻想吧

[[删除]]

Aleksey Nikolayev:

这是很正常的想法。您可以绘制和计算）绘制 - 散点图，计算 - 相关系数及其显著性。

我有一些关于价格增长的计量经济学知识。我画过图表和命中图，得出过结论。但并不了解其中的奥妙，例如，有：

每小时单一增量的相关性 - 有没有规律性，这是正常的。

滞后 10 个小时的相关性是存在的，而且滞后越多，单个时钟或时钟组之间的相关性就越大。

但我们意识到，滞后期大于 1 是双向的--一方面它在增长，另一方面，例如，它在下降。也就是说，我们需要回顾历史，进行单独统计，或者以某种方式将其纳入当前统计。

例如，如果我们有一个滞后期为 10 的正增量，那么我们就很有可能预测下一棒的增量值相同。当然，这并不意味着价格必须处于同一水平。我们是否可以回顾 10 个条形图，从第 -10 个条形图中减去第 -9 个条形图，然后将差值与最后一个零条形图相加，从而得到正确的预测结果？我如何将此纳入统计分析....？我是浮动的。即以某种统计等价物、概率或其他方式计算实际输出。要有点科学性（To be kind of scientific)。

还是说这是一种错误的思维方式？

[[删除]]

例如，可以很容易地得到间隔 5 年、滞后 25 个小时的图表。

H.I. 我想我明白了。有必要按小时恢复预测的增量序列（取平均值），并与初始序列进行比较。这里的信号将以 delta 表示。为了清楚起见，我们可以使用相同的方框图。

从理论上讲，这是一种圣杯。实际上，我们来看看。预测误差的获得仅仅是因为散射图上点的散射，这很神秘。

[fxsaber]

Maxim Dmitrievsky:

滞后期为 10，滞后期越大，单个时钟或时钟组之间的相关性就越大。

在这种情况下，什么是滞后？十天前 7 小时柱状图的增量与当天 8 小时柱状图的增量是否相关？

[[删除]]

fxsaber:

在这种情况下，什么是滞后？十天前 7 小时柱状图的增量与当天 8 小时柱状图的增量有关系吗？

滞后 = 滞后收盘价，例如 0 条柱状线除以第 10 条柱状线。1-收盘价[0]/收盘价[10］

事实证明，当前小时的增量与前一小时的增量高度相关。滞后时间越长，相关性越大，在某些时段，1-close[0]/close[10] 与 1-close[1]/close[11]相关。

[fxsaber]

Maxim Dmitrievsky:

lag = 滞后收盘价，例如 0 条除以第 10 条。1-close[0]/close[10］

事实证明，当前小时的增量与前一小时的增量高度相关。滞后时间越长，相关性越大，在某些时段，1-close[0]/close[10] 与 1-close[1]/close[11]相关。

因此，从纯数学角度看，任何具有这种滞后期的序列都会出现高相关性。用 SB 来检查。

当一个序列的区间与另一个序列的区间重叠时，情况就不妙了。例如，0-10 与 1-11 重叠。

从 2014 年初开始，不是按增量，而是按符号运行。最佳结果

Research's Days = 1553: 2014.01.02-2019.12.16. OOS's Days = 1552: 2008.01.21-2013.12.31
62.3%, 383: 23:00(23)-00:00(24) 01:00, 00:00(24)-01:00(25) 01:00, OOS:: 112, 1552 days - 53.6%

H1 上的符号没有联系。

[[删除]]

fxsaber:

因此，从纯数学角度看，任何具有这种滞后的序列都会有很高的相关性。用 SB 来检查。

如果剔除波动性聚类，收盘价 的 BP 已经是 SB，所以我相信它。

但这仍然很有趣，事实证明并不是所有的时间都会随着滞后期的变化而有相同的相关性增减。我想我们需要找到最小的稳健滞后期。

[fxsaber]

Maxim Dmitrievsky:

如果去除波动率聚类，以收盘价 计算的 BP 是 SB，因此我认为它是

但这仍然很有趣，事实证明，随着滞后期的变化，相关性在所有时间段的增长和下降并不相同。我想我们需要找到最小的稳健滞后期。

你可以在一个滑动窗口中测量相关性。然后看看它的统计特征。我认为它会浮动很多。