osobní poznámky, projekty a inspirace
Poměry ztrát a následné dohánění ušlých zisků se chovají jinak, než si náš mozek je schopný připustit. Např. pokud ztratím polovinu účtu jeden rok, druhý rok musím zhodnotit o celý aktuální kapitál. Většina ztrátových obchodníků tenhle fakt podceňuje.
Jde o výpočet aktuální hodnoty vlastní funkce na základě dat z vyššího timeframu pro timframe nižší (ještě neuzavřených svíček na vyšším timeframe). Tzn. mám ticková, 1s nebo 1min. data a chci pro každý záznam vypočítat jaká byla hodnota mého indikátoru (má vlastní funkce) s periodou 5 a z timeframu 30M.
Nedávno jsem narazil na styl analýzy trhu, která mě hodně zaujala. Jde o myšlenky W. D. Ganna, který analyzoval trh v geometrických tvarech, které rozdělují základní ohraničený pohled na graf. Líbí se mi matematický základ těchto myšlenek. Chci je prozkoumat blíže a očekávám, že by to mohlo jít snadno programově analyzovat.
Docker je sada nástrojů pro kontejnerizaci aplikací. To znamená, že lze aplikaci a její závislosti zabalit do tzv. kontejneru. Tento kontejner pak lze velmi snadno spustit na druhém počítači, aniž bychom museli řešit instalaci operačního systému, závislostí a tak dále. Jednou z takových aplikací je Python, Jupyter a používané závislosti ve scriptech v Jupyter notebooku…
Klouzavé průměry a jejich užití při analýze finančních dat je úplný základ pro všechny, kdo se o finanční data zajímají. Málo kdo ale ví, že se podobné principy využívají i v umělé intelgineci. Pro svoji jednoduchost je EWMA (Exponentialy Weighted Moving Average – exponenciálně vážený klouzavý průměr) velmi oblíbený nástroj pro agregaci dat, které nepřetržitě přichází v čase. V porovnání s SMA (Simple Moving Average – jednoduchý klouzavý průměr) se dokáže rychleji přizpůsobit aktuálním hodnotám. V tomhle článku se zaměřím na jeho výpočet.