文章 "利用箱形图（Boxplot）探索金融时间序列的季节性形态" - 页 30

新评论
[删除]  
Aleksey Nikolayev:

并非如此。如果在样本中添加任何数字（或相乘），中位数会相应改变，但相关系数不会改变。

那我就完全不明白它的作用了。
 
Maxim Dmitrievsky:
那我就不明白了，我不明白。

你只需要稍微了解一下条件分布和非条件分布。如果它们不匹配，就有可能从一个随机值预测另一个随机值。

[删除]  
Aleksey Nikolayev:

你只需要对条件分布和无条件分布的 概念有一点了解。当它们不重合时，就有可能用一个随机变量的值来预测另一个随机变量的值。

这里不应该有任何相关性，增量取决于前几个小时，而对于不相交的样本来说，前几个小时的分布是完全不同的。否则，我想这将是一个非常强的模式。或者，寻找非线性模式。
 

下面是使用 OLAP 进行的下一步研究。按时间估算 2 个连续条形图的协方差。

欧元兑美元数据 为 2019、H1 和 M15 时间框架：

OLAPQTS (EURUSD,H1)     Bars read: 137206
OLAPQTS (EURUSD,H1)     Filters: FilterSelector<QUOTE_RECORD_FIELDS>(FIELD_DATETIME)[1546300800.0 ... 1577836800.0];
OLAPQTS (EURUSD,H1)     Selectors: 1
OLAPQTS (EURUSD,H1)     Processed records: 5958
OLAPQTS (EURUSD,H1)     ProfitFactorAggregator<QUOTE_RECORD_FIELDS> FIELD_CUSTOM1 [24]
OLAPQTS (EURUSD,H1)     X: DayHourSelector<QUOTE_RECORD_FIELDS>(FIELD_DATETIME) [24]
OLAPQTS (EURUSD,H1)          [value] [title]
OLAPQTS (EURUSD,H1)     [ 0] 1.76350 "2"    
OLAPQTS (EURUSD,H1)     [ 1] 1.66279 "17"   
OLAPQTS (EURUSD,H1)     [ 2] 1.38255 "18"   
OLAPQTS (EURUSD,H1)     [ 3] 1.18235 "14"   
OLAPQTS (EURUSD,H1)     [ 4] 1.13689 "11"   
OLAPQTS (EURUSD,H1)     [ 5] 1.13528 "7"    
OLAPQTS (EURUSD,H1)     [ 6] 1.09896 "0"    
OLAPQTS (EURUSD,H1)     [ 7] 1.08717 "15"   
OLAPQTS (EURUSD,H1)     [ 8] 1.02414 "12"   
OLAPQTS (EURUSD,H1)     [ 9] 0.94678 "19"   
OLAPQTS (EURUSD,H1)     [10] 0.93321 "3"    
OLAPQTS (EURUSD,H1)     [11] 0.91988 "6"    
OLAPQTS (EURUSD,H1)     [12] 0.87820 "20"   
OLAPQTS (EURUSD,H1)     [13] 0.86920 "21"   
OLAPQTS (EURUSD,H1)     [14] 0.84253 "4"    
OLAPQTS (EURUSD,H1)     [15] 0.76796 "8"    
OLAPQTS (EURUSD,H1)     [16] 0.76243 "9"    
OLAPQTS (EURUSD,H1)     [17] 0.72190 "5"    
OLAPQTS (EURUSD,H1)     [18] 0.63495 "13"   
OLAPQTS (EURUSD,H1)     [19] 0.62381 "10"   
OLAPQTS (EURUSD,H1)     [20] 0.58573 "16"   
OLAPQTS (EURUSD,H1)     [21] 0.42907 "22"   
OLAPQTS (EURUSD,H1)     [22] 0.37804 "23"   
OLAPQTS (EURUSD,H1)     [23] 0.34422 "1"    
OLAPQTS (EURUSD,M15)    Bars read: 526080
OLAPQTS (EURUSD,M15)    Filters: FilterSelector<QUOTE_RECORD_FIELDS>(FIELD_DATETIME)[1546300800.0 ... 1577836800.0];
OLAPQTS (EURUSD,M15)    Selectors: 1
OLAPQTS (EURUSD,M15)    Processed records: 23831
OLAPQTS (EURUSD,M15)    ProfitFactorAggregator<QUOTE_RECORD_FIELDS> FIELD_CUSTOM1 [24]
OLAPQTS (EURUSD,M15)    X: DayHourSelector<QUOTE_RECORD_FIELDS>(FIELD_DATETIME) [24]
OLAPQTS (EURUSD,M15)         [value] [title]
OLAPQTS (EURUSD,M15)    [ 0] 1.39463 "0"    
OLAPQTS (EURUSD,M15)    [ 1] 1.35711 "16"   
OLAPQTS (EURUSD,M15)    [ 2] 1.23327 "7"    
OLAPQTS (EURUSD,M15)    [ 3] 1.17403 "11"   
OLAPQTS (EURUSD,M15)    [ 4] 1.11581 "3"    
OLAPQTS (EURUSD,M15)    [ 5] 1.00457 "19"   
OLAPQTS (EURUSD,M15)    [ 6] 0.96975 "9"    
OLAPQTS (EURUSD,M15)    [ 7] 0.96723 "18"   
OLAPQTS (EURUSD,M15)    [ 8] 0.96129 "14"   
OLAPQTS (EURUSD,M15)    [ 9] 0.96037 "13"   
OLAPQTS (EURUSD,M15)    [10] 0.93684 "2"    
OLAPQTS (EURUSD,M15)    [11] 0.93045 "10"   
OLAPQTS (EURUSD,M15)    [12] 0.89618 "15"   
OLAPQTS (EURUSD,M15)    [13] 0.87404 "6"    
OLAPQTS (EURUSD,M15)    [14] 0.85640 "20"   
OLAPQTS (EURUSD,M15)    [15] 0.85201 "12"   
OLAPQTS (EURUSD,M15)    [16] 0.84614 "4"    
OLAPQTS (EURUSD,M15)    [17] 0.83936 "5"    
OLAPQTS (EURUSD,M15)    [18] 0.82625 "21"   
OLAPQTS (EURUSD,M15)    [19] 0.81286 "23"   
OLAPQTS (EURUSD,M15)    [20] 0.81071 "17"   
OLAPQTS (EURUSD,M15)    [21] 0.74142 "1"    
OLAPQTS (EURUSD,M15)    [22] 0.73999 "8"    
OLAPQTS (EURUSD,M15)    [23] 0.72040 "22"  

聚合器条件利润因子的计算方法与之前相同。当两个条形图方向相同时，乘积为正且 PF > 1，当条形图为多方向时，乘积为负且 PF < 1。按 PF 值排序，以便于查看前一交易条的延续和反转的最佳交易时段。

[删除]  
Stanislav Korotky:

下面是使用 OLAP 进行的下一步研究。我们按时间估算了相邻 2 条柱状图的协方差。

欧元兑美元 2019 年、H1 和 M15 时间框架的数据：

聚合器条件利润因子的计算方法与之前相同。当两个条形图方向相同时，乘积为正且 PF > 1，当条形图为多方向时，乘积为负且 PF < 1。按 PF 值排序，以便于查看前一交易条的延续和反转的最佳交易时段。

有时相关性是成组的，例如过去 5 年的相关性。

相关性下降 >0.9

这组 0-4 小时无一例外都是冷门，然后在欧洲时段有连续 2-3 小时的组别。在美国时段，情况通常很糟糕。

我的大脑在新年前拒绝工作，我想不出如何对这些现象的预测能力做一个很好的可视化统计测试，使它变得美丽。


 
Maxim Dmitrievsky:

过年前大脑不肯工作，不懂如何做好视觉统计检验这些现象的预测能力，让美景

预测意味着只有一个方向：从过去到未来。因此，问题是在计算相关性时，是否可以只考虑 i > j 条件下的指数计数乘积？用同样的方法进行直观分析。

[删除]  
Stanislav Korotky:

预测性意味着只有一个方向：从过去到未来。因此，问题是在计算相关性时，是否可以只考虑 i > j 条件下指数的计数乘积？请用同样的方法进行说明。

我想同时在 Python 中掌握这种技巧。在那里，你可以很好地扭来扭去。然后，如果有人想将 3D mql kanvas 转换为 3D mql，那就祝他好运吧 ))。

这就像方框图，当您旋转图表时，其他方框图就会从旁边伸出来））。

[删除]  

我核实了对手的论点，即重叠样本的相关性是错误的。

事实上，我并没有特别检查，而是按照计划继续进行统计研究，检查结果如下

滞后 24 小时（天）的增量，查看相关性。(天），看看小时数的相关性是否大于 0.9。

让我们选取几个相关性较高和较低的时间段，预测下一次收盘并与事实进行比较。收盘

对于相关性好的时钟：

0-1

2-3

相关性差的时钟

16-17

22-23

我将仔细检查逻辑，但这似乎是直接相关的，尽管纯预测的相关性看起来比增量的相关性差（可能是由于相关性本身的误差）。

 
Maxim Dmitrievsky:

我核实了反对者的论点，即重叠样本的相关性是错误的。

它不会说谎，根据定义，重叠样本的相关性很大。这没有任何意义，因为预测的增量值被长的公共区域所吸收，并不携带信息。

如果我们比较以 24 小时为单位的一小时增量（实际上是一个柱状图，没有交叉），我们就可以估算出每天的波动情况。我们得到的结果与文章中的大致相同--一些箱形图/小时显示了统计交易机会。

[删除]  
Stanislav Korotky:

它不会说谎，根据定义，重叠样本的增量很大。它没有任何意义，因为预测的增量值被长长的共同图吸收，不携带任何信息。

如果我们以 24 小时为一个步长，比较一小时的增量（实际上是一个柱状图，没有交叉），我们就可以估算出每天的波动情况。我们得到的结果与文章中的大致相同--一些箱形图/小时显示了统计交易机会。

好的，你说的没错））首先我会检查一下我用机器人做的事情，然后我会看看那些不重叠的。

事实上，对于重叠样本来说，它并不总是很大，而且它显示的群集与我之前通过盒状图发现的完全相同，只是从侧面看而已。

1...2324252627282930313233
新评论