关于两个MA的交集的定理

 

1.对于任何时间间隔,可以选择这样的参数(优化),专家顾问将在其基础上提供利润。

换句话说,没有一个区间,在这个区间里,优化不会产生结果。

2)任何时间框架都可以分为有限的几个部分,因此,在优化之后,专家顾问将在其中的每个部分都能获利。

嗯...

这些都是正确的吗?

 
diakin писал(а)>>

这些都是正确的吗?

1和2是同义反复。而无论对错,没有数学上的证明,只是私人意见。而在没有看到实际应用的情况下构建一个证明基础,我不明白有什么意义...也许你可以分享一下这个观点?

 
diakin >> :

1.对于任何时间间隔,可以选择这样的参数(优化),专家顾问将在其基础上提供利润。

换句话说,没有一个区间,在这个区间里,优化不会产生结果。

2)任何时间框架都可以分为有限的几个部分,因此,在优化之后,专家顾问将在其中的每个部分都能获利。

嗯...

这些都是正确的吗?

这就对了。如果我没记错的话,这就是所谓的fitting。

 
没有什么...
 
diakin писал(а)>>

市场上有一种周期性--一种循环。这个周期是不断变化的。但不是立即,而是随着时间的推移。如果你计算一下,那么MA交叉点的效果非常好。因此,问题在于只用历史数据正确地找到这个未来的市场周期,了解明天这个周期可能发生变化--简单地说--如何在历史数据上正确优化TS,找到明天的市场周期......)))))。

 
LeoV >> :

市场上有一种周期性--一种循环。这个周期是不断变化的。但不是立即,而是随着时间的推移。如果你计算一下,那么MA交叉点的效果非常好。问题是要正确地找到这个未来的市场周期,只使用历史数据,知道明天这个周期可能会改变--简单地说--如何在历史数据上优化TS,找到明天的市场周期......)))))。

LeoV,你是在暗指约翰-艾勒的作品还是其他原创方法?

 
sol писал(а)>>

LeoV,你是在暗指约翰-艾勒的作品还是其他原创方法?

嗯,当然他也是--许多人试图计算这个市场周期,并以不同的方式.....。我指的是有MA交叉的TS--它是利用市场周期性行为的最简单模型。

 
Figar0 писал(а)>>

1和2是同义词。而无论对错,没有数学上的证明,只是私人意见。而在没有看到实际应用的情况下构建一个证明基础,我不明白有什么意义...也许你可以分享一下其中的含义?

不是同义词。1意味着你总能捡到这样的1(一)套参数。mashek,在任何时期都能获利,包括从99年到2009年的所有。

但是,例如从99年到2010年,这组数据将是不同的。

而2--用一套方案是不可能做到的,但原则上总是可以优化的,而且不会有什么环节是不可避免的损失。

你可以使用任何 "好的 "指标,其可优化的参数有限。一个 "好的 "指标意味着在原则上工作,而不仅仅是任何一段代码。

换句话说,黑匣子的图片如下 - 我们似乎看不到价格系列本身,我们只看到指标参数和优化结果 - 盈利或不盈利。

指标是应用于价格系列的某种数学运算法则。那么如果有一个时期的利润--可以说这个时期的市场有几个参数的特点。就像温度计测量空气温度,但不测量单分子的速度,因此空气有一个宏观参数--温度。也就是说,我们从统计力学转到了热力学。

下一个问题是,一个特定指标的这些参数是否可以直接从价格序列中计算出来,而不是由测试人员进行优化。然后,我们可以把这些计算结果塞给专家顾问

并在飞行中重新计算利润参数。

 
LeoV писал(а)>>

市场上有一种周期性--一种循环。这个周期是不断变化的。但不是立即,而是随着时间的推移。如果你计算一下,那么MA交叉点的效果非常好。因此,问题是要正确地找到这个未来的市场周期,只使用历史数据,了解明天这个周期可能会改变--简单地说--如何在历史数据上优化TS,找到明天的市场周期......)))))。

你说得很对;))。

同样有一个周期寿命的问题。周期参数不会因为下一个 "嘀 "的到来而改变,对吗?在这些参数不再有利可图之前,应该经过多少个点?

这也可能是一个市场特征。

很明显,它可能是零点,也就是说,我们在最近的历史上进行了优化,从第一条到第N条,开始工作,从零条开始,我们立即进入了损失。

 
diakin писал(а)>>

这再次提出了周期时间的问题。

你在这里试图正式提出的东西被称为某个过程中参数的静止性。在这种情况下,我们谈论的是其中一个谐波的静止性,如果把子线视为一组谐波信号的话。

事实上,两个扫频的差值(见你的第一个帖子),几乎是高穆夫的一阶导数。理想的数字微分算子的带宽是一条从原点(y=f)画出的直线,在标轴上以奈奎斯特频率(或它的1/2,记不清了)为终点,对应于标轴上的双TF和1。鉴于在第一种近似情况下,cotier频谱与1/f成正比,我们在整个频率范围内得到一个窗口,其中原始BP的所有谐波都用1的权重表示。因此,使用你提出的算法在历史数据上优化这种RT,只能识别出具有最大振幅的谐波。一切都会很好,但有一个BUT--这种谐波的位置原则上不是静止的。因此,使用两个muves转换建立一个有利可图的TS是不可能的 - 优化参数不是固定的。

如果我们在TS中使用几个具有不同平滑期的muves,并将购买的信号定义为每个交叉点的信号的加权和,我们将得到一个微不足道的傅里叶分析。世界在所有的表现形式中又是一个整体!

 
IMHO的问题是,每个时期的这些最佳参数中,有一些是随机的。