Объемы

С добрым вечером тебя, дорогой читатель! )

Продолжаем взламывать рынок, пока без особых подробностей и объяснений логики (а она есть, при чём настоящая логика, какой похвастаться не могут всякие ТА со своими паттернами и линиями, волны, Фибоначчи, Vsa и прочая дичь), всё постепенно ;P


Но сперва, отвечу на несколько одинаковых комментариев некоторых людей, на тему моего высказывания из прошлого поста "Да потому, что я использую для анализа истиные механизмы, заложеные в рынок, а не ту иллюзорную херню, которую используют 95% трейдеров."

Некоторых это обидело. Могу сказать, что ни в коем случае не хотел кого-то обижать, насмехаться или принижать… Всего лишь сказал правду, большенство трейдеров используют всем известные классические методы анализа, но по факту, они не работают. И соответственно такой большой процент трейдеров скорее всего теряют деньги на рынке. Всего лишь суровая правда. Ничего личного.

Предыдущий обзор:
smart-lab.ru/blog/417241.php

Объемные ящики с усами или новый индикатор объемов.

В статье описывается концепция нового (наверное), но до безумия простого индикатора объемов, а точнее их визуального представления, — через boxplot-ы; описываются сильные и слабые стороны и принципы применения индикатора.

Со времен появления ИТС разработчики, ученые, да и простые пользователи изобрели множество индикаторов объемов: от PVT до OBV и прочих. Сегодня разнообразные платформы включают эти индикаторы в свой инструментарий, однако о многих можно наверняка сказать, что они абсолютно бесполезны как для алгоритмиста, так и для обычного трейдера. Насколько мне известно, чаще всего используют обычные объемы (вертикальные или горизонтальные) и Big Trades, из которых реально можно вычленить хоть какую-то полезную информацию внутри дня. Удивительно, но до сих пор я еще нигде не встречал представление объемов в виде графика boxplot (ящик с усами).

Суть boxplot-а проста: он показывает распределение выборки, все его элементы можно увидеть на картинке ниже. В целом, выборка делится медианой на две равные части (половина значений под ней и половина над). Далее делим выборку на квантили. Усы, штрихованные линии, показывают 25 % самых больших и самых малых значений в рамках распределения. Девиантные значения выбрасываются за пределы усов. Останавливаться на описании квантилей не буду, оно есть, например, тут: http://www.machinelearning.ru/wiki/index.php?title=%D0%9A%D0%B2%D0%B0%D0%BD%D1%82%D0%B8%D0%BB%D1%8C