赫斯特指数 - 页 26 1...192021222324252627282930313233...46 新评论 Vasiliy Sokolov 2011.11.27 15:54 #251 avtomat: 有一段时间，我不得不被其他问题所困扰--我的女儿已经18岁了--我没有时间去研究分形；）））。 但这样的转换--这是我第一次注意到它--导致了对尚未解决的分形问题的清晰视野。 好吧，一旦我恢复理智，我们就会解决这个问题;) 我们将拭目以待:) Vasiliy Sokolov 2012.03.30 06:56 #252 尽管公众对这个话题的兴趣不高，但我仍在关注彼得斯的书。我改进了方法，终于明白了正在计算的内容。因此，这里是基本公式。 我们做的第一件事是将价格系列转换为对数回报。第二个公式的本质是这样的：对数收益的平均值是系列的数学期望值，如果我们从每个值计算系列的平均值，那么这些值的总和将永远等于零。这是最简单的去趋势方法，但它对结果有巨大影响。接下来，计算该系列的最小和最大。这些计算结果可以用图表的形式呈现。 第三个公式，大家都明白，就是简单标准差的计算。 因此，H 是范围与它的对数周期的简单比率。 然后将所分析的整个彼得斯系列划分为独立的子时期。每个子期都是按照上述方法计算的。因此，有一个RS的平均值，这与布朗运动有质的区别。由于粒子的分散性将与周期的对数成正比，因此Hurst比率，即时间跨度与周期的比率，必须是一个常数，并且是0.5。事实上，这个公式并不完美，往往会高估0.3的 结果，即在明显的随机系列上，Hurst会显示0.53，而不是0.50。而且这不是由小样本造成的，我们使用的数据越多，指标就会在0.53 的范围内越准确。 因此，使用所提出的方法，我分析了50万个独立的数值，并将真实的RTS市场与它们进行了比较。然后，我特意在随机系列中实现了一个确定性的成分：如果之前的两个值是负的，则在当前值上增加1/2的标准差（趋势系列），反之亦然：如果之前的两个值是负的，则在当前值上增加1/2的标准偏差（反趋势系列）。以下是获得的图表。 可以看出，RTS市场在质量上与随机漫步没有区别，而趋势和反趋势系列显示出预期的特征。 现在让我们看看这个指标在动态中的表现如何。 我们可以看到，该指标有两个主要问题：在急剧逆转时，MO不会很明显，而波动会很高，这导致了指标的不合理的夸大。相反，在一个明显的上升趋势中，MO将是运动的主要部分，但围绕MO的波动将很小，因此heurst将再次低于应有的水平。 因此，我们可以得出初步结论，建议的方法不能充分描述市场价格走势，不能有效识别趋势和反趋势成分。 VonDo Mix 2012.03.30 07:40 #253 C-4: 尽管公众对这一话题的兴趣不温不火，但... 什么是 "已知随机数据 "的分布？ 我可以透露一下生成的方法吗？ 因此，使用所提出的方法，我分析了50万个独立的数值，并将真实的RTS市场与它们进行了比较。然后，我特意在随机系列中引入了一个确定性的成分：如果之前的两个值是负的，那么现在的值就会增加1/2的标准差（趋势系列），反之亦然：如果之前的两个值是负的，现在的值就会增加1/2的标准差（反趋势系列）。这些是出来的图表。 而且我不明白如何得到一个 "反潮流 "系列。 而这个定义本身也有点奇怪。 怎么会是平的呢？为什么只用两个负的而不用三个正的？ ;) khorosh 2012.03.30 07:48 #254 C-4: 尽管公众对这个话题的兴趣不高，但我仍在关注彼得斯的书。我改进了方法，终于明白了正在计算的内容。因此，这里是基本公式。 我们做的第一件事是将价格系列转换为对数回报。第二个公式的本质是这样的：对数收益的平均值是系列的数学期望值，如果我们从每个值计算系列的平均值，那么这些值的总和将永远等于零。这是最简单的去趋势方法，但它对结果有巨大影响。接下来，计算该系列的最小和最大。这些计算结果可以用图表的形式呈现。 第三个公式，大家都明白，就是简单标准差的计算。 因此，H 是范围与它的对数周期的简单比率。 然后将所分析的整个彼得斯系列划分为独立的子时期。每个子期都是按照上述方法计算的。因此，有一个RS的平均值，这与布朗运动有质的区别。由于粒子的分散性将与周期的对数成正比，因此Hurst比率，即时间跨度与周期的比率，必须是一个常数，并且是0.5。事实上，这个公式并不完美，往往会高估0.3的 结果，即在明显的随机系列上，Hurst会显示0.53，而不是0.50。而且这不是由小样本造成的，我们使用的数据越多，指标就会在0.53 的范围内越准确。 因此，使用所提出的方法，我分析了50万个独立的数值，并将真实的RTS市场与它们进行了比较。然后我特意在一个随机系列中实现了一个确定性的成分：如果之前的两个值是负的，那么现在的值就会增加1/2的标准差（趋势系列），反之亦然：如果之前的两个值是负的，那么现在的值就会增加1/2的标准差（反趋势系列）。以下是获得的图表。 可以看出，RTS市场在质量上与随机漫步没有区别，而趋势和反趋势系列显示出预期的特征。 现在让我们看看这个指标在动态中的表现如何。 我们可以看到，该指标有两个主要问题：在急剧逆转时，MO不会很明显，而波动会很高，这导致了指标的不合理的夸大。相反，在一个明显的上升趋势中，MO将是运动的主要部分，但围绕MO的波动将很小，因此heurst将再次低于应有的水平。 因此，我们可以得出初步结论，建议的方法不能充分描述市场价格走势，不能有效识别趋势和反趋势成分。 证明任何已知理论的无效性是一个巨大的成功。它正在清理通往真正知识的道路。祝贺你! VonDo Mix 2012.03.30 07:56 #255 khorosh: 证明任何已知理论的无效性是一个巨大的成功。它正在清理通往真正知识的道路。祝贺你! 证据在哪里？ 谁的失败？ 我没有在睡梦中得到它... hrenfx 2012.03.30 08:14 #256 C-4: 为什么每次转换源行都要返回 - Close[i] / Close[i - 1]？ 从截图和对detrending的参考来看，谈论MO（尤其是回报-行）是不正确的。在这种情况下，你指的是MO是对价格系列样本的线性回归。正是通过减去它，你才得到了减趋势。而且，事实上，你截图上的绿线不是MO（它应该是水平的），它是线性回归。 从公式中可以看出，Hurst是最大价差与去趋势价格系列的平均价差的比率。除以样本量的对数，只是一些形式上的拟合（归一化）。该点是最大值与平均值的比率。 任何此类分析都高度依赖于原始系列的状况。也就是说，第i个元素在什么条件下被取走。你有一个经典的--在相等的时间间隔内。但也有其他方法可以考虑到这些时间间隔的高价和低价。因此，信息的损失要少得多。 Vasiliy Sokolov 2012.03.30 08:25 #257 khorosh: 证明任何已知理论的无效性是一个巨大的成功。它正在为真正的知识扫清道路。恭喜！ 这是讽刺吗？我不是要反驳什么，我只是用建议的方法计算了指标--输出与SB没有区别。 而且我不明白如何得到一个 "反趋势 "系列。 ，而且这个定义本身就有点奇怪。 为什么只用两个负的，而不用三个正的？ 这些数据是用Excel插件生成的。"随机数生成"。 平坦 "的定义并不十分正确。在这种情况下，它指的是反持久性系列。该方法是专门为2号公式定制的。正如你所看到的，该公式旨在 "捕捉 "此类扰动。"两个否定 "是一个任意的选择。对于任何数字，只要它小于采样周期（所谓的彼得斯记忆效应），该效应将是可追踪的。 VonDo Mix 2012.03.30 08:36 #258 C-4: 这些数据是通过一个Excel插件生成的。"随机数生成"。平坦 "的定义确实不大正确。这里指的是反持久性系列。该方法是专门为2号公式定制的。正如你所看到的，该公式旨在 "捕捉 "此类扰动。"两个否定 "是一个任意的选择。只要数字小于采样周期，任何数字都会出现这种效应（所谓的彼得斯记忆效应）。那么这个上层建筑是否会产生一个均匀分布 的、正态的或其他的 "随机数"？或者你不知道吗？ 坚持和 "潮流 "我认为你们有相同的东西？ Vasiliy Sokolov 2012.03.30 08:50 #259 ваЗачем каждый раз идет преобразование исходного ряда к returns - Close[i] / Close[i - 1]? 原始系列向回报率的转换只在计算开始时发生一次。然后，正如你从公式#2中看到的那样，回报被重新组合成一系列连续的增量。 从截图和提到的detrending来看，谈论MO是不正确的（特别是关于回报-行）。在这种情况下，你指的是MO作为样本价格系列的线性回归。正是通过减去它，你才得到了减趋势。而且，事实上，你截图上的绿线不是MO（应该是水平的），它是一个线性回归。 为了避免混淆，我们来看看IR的定义：预期报酬率是随机变量的一系列回报 的平均值。如果一个系列的收益是累积的，那么对它来说，期望值就是这个系列的增量之和，或者说是最终值和初始值之间的简单差异。之所以如此，是因为如果期望值为零，那么这样一个累积系列的终点和起点之间的差异也将永远为零，这在图中可以清楚地看到。因此，从系列中减去平均值是去趋势的最简单方法。基本的统计方法，如RMS就是这样做的。你提到的线性回归 有点不同，它是通过M.N.C.进行搜索的，一般来说，更充分地去除趋势成分。但图中显示的正是MO，不过是在一个累积系列的背景下。 任何此类分析都高度依赖于原始系列的状况。也就是说，第i个元素在什么条件下被取走。你有一个经典的--在一个相等的时间间隔之后。 完全同意，我的研究表明，所提出的公式并不是针对回撤的，而是针对一个累积的系列，但没有考虑到其MO，这导致了一些信息的损失（MO的适当值），尽管从视觉上看，图表与原始价格的图表几乎相同。 但也有其他方法，可以考虑到这些时间间隔的最高价和最低价。也就是说，信息的损失要少得多。 我同意，这个方法非常粗糙，我不认为它是正确的。只取两点，MO就完全被抛弃了。因此，不可逆的信息损失和对具有非平稳期望的初始序列的不正确工作。在应用ZigZag作为通用分形尺的过程中，可以看到出路。例如，它可以是行进的距离与之字形的膝盖的比率。 Vasiliy Sokolov 2012.03.30 08:55 #260 Sorento:那么这个上层建筑会产生一个均匀分布的、正态的或其他的 "随机数"？或者你不知道吗？坚持和 "潮流 "我认为你们有相同的东西？ 分布是正态的，MO为零，有一定的标准差。在这种情况下，持久性和趋势性是同一件事。当我说 "趋势系列 "时，它意味着增量的符号与它以前的回报的符号重合的概率高于50%，反趋势性则相反，符号重合的概率低于50%。这不是我的定义，而是书中的确切意思。 1...192021222324252627282930313233...46 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
有一段时间，我不得不被其他问题所困扰--我的女儿已经18岁了--我没有时间去研究分形；）））。
但这样的转换--这是我第一次注意到它--导致了对尚未解决的分形问题的清晰视野。
好吧，一旦我恢复理智，我们就会解决这个问题;)
我们将拭目以待:)
尽管公众对这个话题的兴趣不高，但我仍在关注彼得斯的书。我改进了方法，终于明白了正在计算的内容。因此，这里是基本公式。
我们做的第一件事是将价格系列转换为对数回报。第二个公式的本质是这样的：对数收益的平均值是系列的数学期望值，如果我们从每个值计算系列的平均值，那么这些值的总和将永远等于零。这是最简单的去趋势方法，但它对结果有巨大影响。接下来，计算该系列的最小和最大。这些计算结果可以用图表的形式呈现。
第三个公式，大家都明白，就是简单标准差的计算。
因此，H 是范围与它的对数周期的简单比率。
然后将所分析的整个彼得斯系列划分为独立的子时期。每个子期都是按照上述方法计算的。因此，有一个RS的平均值，这与布朗运动有质的区别。由于粒子的分散性将与周期的对数成正比，因此Hurst比率，即时间跨度与周期的比率，必须是一个常数，并且是0.5。事实上，这个公式并不完美，往往会高估0.3的 结果，即在明显的随机系列上，Hurst会显示0.53，而不是0.50。而且这不是由小样本造成的，我们使用的数据越多，指标就会在0.53 的范围内越准确。
因此，使用所提出的方法，我分析了50万个独立的数值，并将真实的RTS市场与它们进行了比较。然后，我特意在随机系列中实现了一个确定性的成分：如果之前的两个值是负的，则在当前值上增加1/2的标准差（趋势系列），反之亦然：如果之前的两个值是负的，则在当前值上增加1/2的标准偏差（反趋势系列）。以下是获得的图表。
可以看出，RTS市场在质量上与随机漫步没有区别，而趋势和反趋势系列显示出预期的特征。
现在让我们看看这个指标在动态中的表现如何。
我们可以看到，该指标有两个主要问题：在急剧逆转时，MO不会很明显，而波动会很高，这导致了指标的不合理的夸大。相反，在一个明显的上升趋势中，MO将是运动的主要部分，但围绕MO的波动将很小，因此heurst将再次低于应有的水平。
因此，我们可以得出初步结论，建议的方法不能充分描述市场价格走势，不能有效识别趋势和反趋势成分。
尽管公众对这一话题的兴趣不温不火，但...
什么是 "已知随机数据 "的分布？
我可以透露一下生成的方法吗？
因此，使用所提出的方法，我分析了50万个独立的数值，并将真实的RTS市场与它们进行了比较。然后，我特意在随机系列中引入了一个确定性的成分：如果之前的两个值是负的，那么现在的值就会增加1/2的标准差（趋势系列），反之亦然：如果之前的两个值是负的，现在的值就会增加1/2的标准差（反趋势系列）。这些是出来的图表。
而且我不明白如何得到一个 "反潮流 "系列。
而这个定义本身也有点奇怪。
怎么会是平的呢？为什么只用两个负的而不用三个正的？
;)
尽管公众对这个话题的兴趣不高，但我仍在关注彼得斯的书。我改进了方法，终于明白了正在计算的内容。因此，这里是基本公式。
我们做的第一件事是将价格系列转换为对数回报。第二个公式的本质是这样的：对数收益的平均值是系列的数学期望值，如果我们从每个值计算系列的平均值，那么这些值的总和将永远等于零。这是最简单的去趋势方法，但它对结果有巨大影响。接下来，计算该系列的最小和最大。这些计算结果可以用图表的形式呈现。
第三个公式，大家都明白，就是简单标准差的计算。
因此，H 是范围与它的对数周期的简单比率。
然后将所分析的整个彼得斯系列划分为独立的子时期。每个子期都是按照上述方法计算的。因此，有一个RS的平均值，这与布朗运动有质的区别。由于粒子的分散性将与周期的对数成正比，因此Hurst比率，即时间跨度与周期的比率，必须是一个常数，并且是0.5。事实上，这个公式并不完美，往往会高估0.3的 结果，即在明显的随机系列上，Hurst会显示0.53，而不是0.50。而且这不是由小样本造成的，我们使用的数据越多，指标就会在0.53 的范围内越准确。
因此，使用所提出的方法，我分析了50万个独立的数值，并将真实的RTS市场与它们进行了比较。然后我特意在一个随机系列中实现了一个确定性的成分：如果之前的两个值是负的，那么现在的值就会增加1/2的标准差（趋势系列），反之亦然：如果之前的两个值是负的，那么现在的值就会增加1/2的标准差（反趋势系列）。以下是获得的图表。
可以看出，RTS市场在质量上与随机漫步没有区别，而趋势和反趋势系列显示出预期的特征。
现在让我们看看这个指标在动态中的表现如何。
我们可以看到，该指标有两个主要问题：在急剧逆转时，MO不会很明显，而波动会很高，这导致了指标的不合理的夸大。相反，在一个明显的上升趋势中，MO将是运动的主要部分，但围绕MO的波动将很小，因此heurst将再次低于应有的水平。
因此，我们可以得出初步结论，建议的方法不能充分描述市场价格走势，不能有效识别趋势和反趋势成分。
证明任何已知理论的无效性是一个巨大的成功。它正在清理通往真正知识的道路。祝贺你!
证据在哪里？ 谁的失败？
我没有在睡梦中得到它...
为什么每次转换源行都要返回 - Close[i] / Close[i - 1]？
从截图和对detrending的参考来看，谈论MO（尤其是回报-行）是不正确的。在这种情况下，你指的是MO是对价格系列样本的线性回归。正是通过减去它，你才得到了减趋势。而且，事实上，你截图上的绿线不是MO（它应该是水平的），它是线性回归。
从公式中可以看出，Hurst是最大价差与去趋势价格系列的平均价差的比率。除以样本量的对数，只是一些形式上的拟合（归一化）。该点是最大值与平均值的比率。
任何此类分析都高度依赖于原始系列的状况。也就是说，第i个元素在什么条件下被取走。你有一个经典的--在相等的时间间隔内。但也有其他方法可以考虑到这些时间间隔的高价和低价。因此，信息的损失要少得多。
证明任何已知理论的无效性是一个巨大的成功。它正在为真正的知识扫清道路。恭喜！
这是讽刺吗？我不是要反驳什么，我只是用建议的方法计算了指标--输出与SB没有区别。
而且我不明白如何得到一个 "反趋势 "系列。
，而且这个定义本身就有点奇怪。
为什么只用两个负的，而不用三个正的？
这些数据是用Excel插件生成的。"随机数生成"。
平坦 "的定义并不十分正确。在这种情况下，它指的是反持久性系列。该方法是专门为2号公式定制的。正如你所看到的，该公式旨在 "捕捉 "此类扰动。"两个否定 "是一个任意的选择。对于任何数字，只要它小于采样周期（所谓的彼得斯记忆效应），该效应将是可追踪的。
这些数据是通过一个Excel插件生成的。"随机数生成"。
平坦 "的定义确实不大正确。这里指的是反持久性系列。该方法是专门为2号公式定制的。正如你所看到的，该公式旨在 "捕捉 "此类扰动。"两个否定 "是一个任意的选择。只要数字小于采样周期，任何数字都会出现这种效应（所谓的彼得斯记忆效应）。
那么这个上层建筑是否会产生一个均匀分布 的、正态的或其他的 "随机数"？或者你不知道吗？
坚持和 "潮流 "我认为你们有相同的东西？
ваЗачем каждый раз идет преобразование исходного ряда к returns - Close[i] / Close[i - 1]?
原始系列向回报率的转换只在计算开始时发生一次。然后，正如你从公式#2中看到的那样，回报被重新组合成一系列连续的增量。
从截图和提到的detrending来看，谈论MO是不正确的（特别是关于回报-行）。在这种情况下，你指的是MO作为样本价格系列的线性回归。正是通过减去它，你才得到了减趋势。而且，事实上，你截图上的绿线不是MO（应该是水平的），它是一个线性回归。
为了避免混淆，我们来看看IR的定义：预期报酬率是随机变量的一系列回报 的平均值。如果一个系列的收益是累积的，那么对它来说，期望值就是这个系列的增量之和，或者说是最终值和初始值之间的简单差异。之所以如此，是因为如果期望值为零，那么这样一个累积系列的终点和起点之间的差异也将永远为零，这在图中可以清楚地看到。因此，从系列中减去平均值是去趋势的最简单方法。基本的统计方法，如RMS就是这样做的。你提到的线性回归 有点不同，它是通过M.N.C.进行搜索的，一般来说，更充分地去除趋势成分。但图中显示的正是MO，不过是在一个累积系列的背景下。
任何此类分析都高度依赖于原始系列的状况。也就是说，第i个元素在什么条件下被取走。你有一个经典的--在一个相等的时间间隔之后。
完全同意，我的研究表明，所提出的公式并不是针对回撤的，而是针对一个累积的系列，但没有考虑到其MO，这导致了一些信息的损失（MO的适当值），尽管从视觉上看，图表与原始价格的图表几乎相同。
但也有其他方法，可以考虑到这些时间间隔的最高价和最低价。也就是说，信息的损失要少得多。
我同意，这个方法非常粗糙，我不认为它是正确的。只取两点，MO就完全被抛弃了。因此，不可逆的信息损失和对具有非平稳期望的初始序列的不正确工作。在应用ZigZag作为通用分形尺的过程中，可以看到出路。例如，它可以是行进的距离与之字形的膝盖的比率。
那么这个上层建筑会产生一个均匀分布的、正态的或其他的 "随机数"？或者你不知道吗？
坚持和 "潮流 "我认为你们有相同的东西？
分布是正态的，MO为零，有一定的标准差。在这种情况下，持久性和趋势性是同一件事。当我说 "趋势系列 "时，它意味着增量的符号与它以前的回报的符号重合的概率高于50%，反趋势性则相反，符号重合的概率低于50%。这不是我的定义，而是书中的确切意思。