Pourquoi ne pas croire aveuglément aux « indicateurs » tels que MACD, RSI, BOLL ?
Parce qu'ils ne sont essentiellement qu'une transformation fonctionnelle de l'OHLCV.
Selon la loi DPI de l'entropie de l'information : Aucun indicateur Z (comme le MACD) calculé à partir de X (comme l'OHLCV) ne peut contenir plus d'informations sur la variable cible Y (les rendements futurs) que X. Soit : I(X;Y) ≥ I(Z;Y)
Cela signifie : - Les informations ne seront pas créées, la quantité d'informations sur les tendances futures du marché contenue dans le MACD ou le BOLL ne dépassera absolument pas la quantité d'informations contenue dans les données OHLCV d'origine. - Les informations sont souvent perdues en raison de la compression, le calcul de la plupart des indicateurs est une compression avec perte, par ex : il est impossible de déduire les prix spécifiques des 20 derniers jours à partir de la MA de 20 jours.
Donc, d'un point de vue théorique de l'information, l'OHLCV contient la quantité maximale d'informations nécessaires pour prédire l'avenir (en parlant uniquement du volume et du prix sans tenir compte d'autres dimensions). Utiliser directement l'OHLCV est la solution théorique optimale.
La question fondamentale est : comment améliorer le rapport signal/bruit. Les données financières ont toujours été des données avec un rapport signal/bruit très élevé. Nous devrions réfléchir à comment améliorer le rapport signal/bruit des données OHLCV, plutôt qu'à comment transformer les indicateurs.
Par exemple, la série de prix des chandeliers est non stationnaire (ses caractéristiques statistiques comme la moyenne et la variance varient dans le temps), ce qui viole les hypothèses de base de la statistique/ML. Nous pouvons alors abandonner les bougies basées sur le temps et utiliser des Volume Bars, en créant de nouvelles barres nous-mêmes pour rendre les données plus conformes aux hypothèses statistiques.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
Pourquoi ne pas croire aveuglément aux « indicateurs » tels que MACD, RSI, BOLL ?
Parce qu'ils ne sont essentiellement qu'une transformation fonctionnelle de l'OHLCV.
Selon la loi DPI de l'entropie de l'information :
Aucun indicateur Z (comme le MACD) calculé à partir de X (comme l'OHLCV) ne peut contenir plus d'informations sur la variable cible Y (les rendements futurs) que X.
Soit : I(X;Y) ≥ I(Z;Y)
Cela signifie :
- Les informations ne seront pas créées, la quantité d'informations sur les tendances futures du marché contenue dans le MACD ou le BOLL ne dépassera absolument pas la quantité d'informations contenue dans les données OHLCV d'origine.
- Les informations sont souvent perdues en raison de la compression, le calcul de la plupart des indicateurs est une compression avec perte, par ex : il est impossible de déduire les prix spécifiques des 20 derniers jours à partir de la MA de 20 jours.
Donc, d'un point de vue théorique de l'information, l'OHLCV contient la quantité maximale d'informations nécessaires pour prédire l'avenir (en parlant uniquement du volume et du prix sans tenir compte d'autres dimensions). Utiliser directement l'OHLCV est la solution théorique optimale.
La question fondamentale est : comment améliorer le rapport signal/bruit.
Les données financières ont toujours été des données avec un rapport signal/bruit très élevé. Nous devrions réfléchir à comment améliorer le rapport signal/bruit des données OHLCV, plutôt qu'à comment transformer les indicateurs.
Par exemple, la série de prix des chandeliers est non stationnaire (ses caractéristiques statistiques comme la moyenne et la variance varient dans le temps), ce qui viole les hypothèses de base de la statistique/ML.
Nous pouvons alors abandonner les bougies basées sur le temps et utiliser des Volume Bars, en créant de nouvelles barres nous-mêmes pour rendre les données plus conformes aux hypothèses statistiques.