2 Anexo(s) Al explorar algunos problemas relacionados con un EA de cobertura, se ha hecho evidente que quiero una manera mucho mejor y estad�sticamente coherente de calcular la correlaci�n. Sin un paquete estad�stico y usando MT, los resultados pueden ser incorrectos y no confiables.
Por lo tanto, comenc� a investigar c�mo se puede calcular desde metatrader, con el objetivo de integrar este c�digo externo para operar dentro de metatrader. Como resultado de la interfaz de python a MT de 7 bits, podemos hacer precisamente eso. Algunos podr�an preguntarse, dado que tengo la interfaz MT a R, �por qu� no utilizar R? La soluci�n es que encontr� una manera muy simple de hacerlo que parece ser tan capaz de medir la correlaci�n como un paquete de estad�sticas profesionales como R o matlab.
Actualizo el c�digo de muestra en el libro que estoy leyendo sobre NumPy, ese complemento estad�stico en la biblioteca para python. Este ejemplo utiliza datos que se pueden cambiar para extraer informaci�n de metatrader. Primero parece haber un problema con el editor. De todos modos, aqu� est�. El c�digo realiza un an�lisis de correlaci�n sobre los rendimientos de dos acciones. Estoy bastante seguro de que esto se puede aplicar con la misma facilidad a los pares de divisas de la misma manera.
Si alguien ve un problema con el c�digo, h�gamelo saber. Publicar� m�s informaci�n y luego trabajar� en c�mo podemos devolver el resultado a metatrader trabajando con la interfaz personalizada.
Cualquier ayuda/gu�a bienvenida. Gracias.
�C�digo insertado #!usr/bin/python import numpy from pylab import * bhp = numpy.loadtxt('BHP.csv', delimiter=',', usecols=(6,), unpack=True) bhp_returns = numpy.diff(bhp)bhp#91;: -1N�mero 93; vale = numpy.loadtxt('VALE.csv', delimiter=',', usecols=(6,), unpack=True) vale_returns = numpy.diff(vale)vale#91;: -1#93; covarianza = numpy.cov(bhp_returns, vale_returns) print Covarianza,covarianza() print Covarianza diagonal, covarianza.diagonal() print Seguimiento de covarianza, covarianza.trace() print covarianza/(bhp_returns. std() * vale_returns. Std()) imprimir Coeficiente de correlaci�n, numpy.corrcoef(bhp_returns, vale_returns) diferencia = bhp - vale avg = numpy.mean(diferencia) dev = numpy.std(diferencia) imprimir Sin sincronizaci�n, numpy.abs(diferencia#91;-1#93 ; - promedio) gt; dos * dev t = numpy.arange(len(bhp_returns)) plot(t, bhp_returns, lw=1) plot(t, vale_returns, lw=2) show()
Para obtener consejos sobre la interfaz Metatrader/python, consulte aqu�:
https://www.forexycfds.com/discussio...-analysis.html
https://www.forexycfds.com/discussio...ade-ideas.html
https://www.forexycfds.com/cryptocur...en-trades.html