Написал вот такой индикатор расчёта АКФ для первых разниц цен. Прилагаю код. Прогнал его по часовым ценам EURUSD. Результат удручающий: корреляция между текущей разницей и предыдущими разницами меньше 0.01.
gpwr>>: Первая разница случайного блуждания это белый шум. Если можете получить прибыль на белом шуме, то с таким же успехом можете получить такую же прибыль на случайно блуждающей цене, ЧТД
我已经有一段时间没有来这里了。偶然发现了这个话题。这是一个有趣的讨论。
向与会者提出的第一个问题：为什么第一个价格差异是静止的？有没有人计算过这样一个过程的时刻？
第二个也是更重要的问题：为什么有些人认为静止的过程是可以预测的？白噪声也是静止的，但不可预测。对于那些不相信的人，我可以用科学的方法证明。或者你也可以这样做。想象一下，白噪声是可以预测的。那么接收器中的噪音就不会成为问题了。在接收信号之前，我们对接收器进行外部和内部噪声的校准，然后在接收信号的时刻，我们开始从噪声信号中减去外推的噪声，得到一个清晰的信号。我们一起写一份专利申请吗？:-)
我写了这个ACF计算指标，用于计算第一价格差异。我把代码附在后面。我在每小时的欧元兑美元价格上运行它。结果是令人沮丧的：目前的差异和以前的差异之间的相关性小于0.01。
Первый вопрос участникам: почему первая разница цен стационарна? Кто нибудь рассчитывал моменты такого процесса?
第一个价格差异不是固定的。然而，我们可以在一些简化模型的框架内考虑它的静止性。许多人建议，应将第一个价格差异视为正态分布，这并不完全准确，但在所采用的模型框架内可能又可以接受。是的，厚厚的尾巴。有论文提议将价格增量建模为自由度为4或5的t分布。它看起来很相似。对于特殊的行家，稳定的分布，但已经不实用了。在任何情况下，第一和第三时刻都是零，第二和第四时刻是什么......。
第二个也是更重要的问题：为什么这里有些人认为静止的过程是可以预测的？白噪声也是静止的，但是不可预测的。对于那些不相信的人，我可以用科学的方法证明这一点。
问题是你说的 "可预测 "是什么意思。在论坛的背景下，我假设我们想赚取利润。如果你给我看一个白噪声的可交易过程，我将很快变得富有。我认为，交易策略是显而易见的--从边缘到中心进行交易。
Написал вот такой индикатор расчёта АКФ для первых разниц цен. Прилагаю код. Прогнал его по часовым ценам EURUSD. Результат удручающий: корреляция между текущей разницей и предыдущими разницами меньше 0.01.
问候!很高兴看到。
已经有很长一段时间了，一些静止性测试正在进行中
我不知道是谁，这是我很久以来第一次来这里，但这是完全正确的--静止性并不能使过程变得可预测。
我已经想出了如何从一个随机过程中赚钱。:о)如果我设置预测的参数，使平衡成为一个静止的过程（无论如何它将是一个随机的过程），那么我可能会赚一些钱（知道初始过程的参数）。如果你为极端的缩减而存钱，只要你获得最大的利润（余额的有效值可以确定），你就可能离开市场，永远不会出现在市场上）。
也很高兴在这里见到你。我仍在工作中，试图利用拼接和时间创建一个接近于大脑的 "思维网络"。但到目前为止，除了简单的物体识别外，没有任何工作。许多人怀疑尖峰网络与传统神经网络相比有什么优势。但这是一个单独讨论的话题。
如果你向我展示交易过程，也就是白噪声，我将很快变得富有。我认为，交易策略是显而易见的--从边缘到中心进行交易。
Первая разница случайного блуждания это белый шум. Если можете получить прибыль на белом шуме, то с таким же успехом можете получить такую же прибыль на случайно блуждающей цене, ЧТД
По поводу частоты дискретизации наблюдаемого вр.ряда(тайм-фрейм), то
выбор тайм-фрейма(временного окна) оч. сильно влияет на спектр временного ряда,
но выбор этого самого тайм-фрейма это вопрос ...вкуса! :))) Шаманста или искусства, если хотите! :)
Потому что проблема выбора тайм-фрейма не формализуема и опр. личными предпочтениями трейдера.
Но уменьшение масштаба, частотного диапазона усложняет статистич. картину, усложняет за счет
появления большего количества деталей.
时间框架的选择不应影响光谱。你根本无法分析超过某一频率的光谱。
在这个频率以下，光谱是相同的。你需要这些高频细节吗？如果被丢弃的东西的能量相当大？
因此，如果我们在大量的n个样本上推断随机漫步的BP，例如使用传统的线性回归，那么超过n个样本的推断结果很可能会接近直线n * (p - q)
在p=q处，这将是零月增量的模型，这条线将是标轴（y=0）。
当然，如果p<>q，情况就不同了--直线将与标轴有一个非零的角度。
图中代表的正是这样一种情况（p<>q）--"不对称的行走"。
n(p-q-e)和n(p-q+e)的边界线--由于分散性随着样本数的增加而增加（n）。
时间框架的选择不应影响光谱。你根本无法分析超过某一频率的光谱。
在第16页，我给出了M1和H1的光谱，时间间隔相同--480小时。谱系有根本性的不同。频谱的类型与该过程的物理学有很好的对应关系。M1的许多趋势在1小时内开始和结束，这对应于不同时间范围的投资者。这可能是BP非平稳性的主要原因。你的说法对于静止的傅里叶分解序列应该是完全有效的。
---------
在这个频率以下，光谱是相同的。你需要这些高频细节吗？如果被丢弃的东西的能量相当大？
有一些方法可以使SPM平均化。也就是说，如果现有的峰值与平均值相差不大，那就是一个平局。在趋势上，主要的力量应该集中在山峰上。
第一个价格差异不是固定的。然而，我们可以在一些简化模型的框架内考虑它的静止性。
在Box模型中，其中一个参数正是差值的顺序。这个值是在模型识别时确定的，从0到n不等。Box指出，对于大多数模型，这个参数不超过两个。但对差值系数进行了限制。从方框中可以看出，与取差有关的模型系数是由经验而不是科学决定的，没有必要实现所产生的差值的静止性。