Patronen vinden in marktgegevens

Er zijn overal patronen. Dat is wat ze zegt.

Selecteer een reeks getallen tussen 1 en 1000 en er moet een patroon in uw selectie zitten. De vraag is… hoe groot moet een selectie van getallen zijn voordat die patronen ontstaan? Of welk deel van de grotere set moet in acht worden genomen? 1%? 10%? 18.426%? Er moet een nummer zijn.

Hoewel Peluse zich concentreerde op polynomiale progressies, bewees hij dat er een specifiek minimumaantal selecties moet worden gemaakt voordat patronen ontstaan. Uw dataset mag niet te klein zijn. Het moet waarneembaar zijn. En het moet representatief zijn voor het geheel (geen nummer buiten de set om je van streek te maken).

In 1975 bewees Endre Szemerédi dat er patronen moeten bestaan ​​in rekenkundige progressies, maar hij kon niet bewijzen hoeveel datapunten nodig zijn om een ​​patroon te bevestigen. “Szemerédi zei feitelijk dat een volledige wanorde onmogelijk is. Welke set je ook kiest, er mag weinig structuur in zitten”, zegt hij Ben Groen van Oxford.

Kortom, om ergens een patroon in te vinden, moet je een minimale set gegevens van een bepaalde omvang in acht nemen.

Waarom lees ik een blog over patronen en progressies en wat heeft dit met de markten te maken?

Zoals Spinoza ooit zei: ‘Niets in de natuur is willekeurig. Iets lijkt alleen maar willekeurig door de onvolledigheid van onze kennis.” Of... anders gezegd: geen enkele markt is willekeurig. Een markt lijkt alleen willekeurig door de onvolledigheid van de waargenomen gegevens.

Er wordt ons vaak gevraagd of we de cryptomarkten bestrijken (dit is geen blog over crypto… maak je geen zorgen). Het korte antwoord is: “Ze zijn te klein voor ons om te verhandelen.” Dat is waar. Maar het preciezere antwoord is: “de datasets zijn te klein voor ons om te analyseren.”

Onze huidige dataset voor de S&P omvat meer dan 1.5 biljard gegevenspunten. Dat is een één met vijftien nullen erachter (1,500,000,000,000,000). Voor de Dow Jones is de dataset zelfs nog groter, met ruim 2 biljard punten. Voor goud is dat 512 biljoen (of een half biljard). Kleinere markten zoals sojaolie bevatten 60 biljoen datapunten.

Het zijn veel gegevens... en meer dan genoeg om fractals te ontwikkelen op zoek naar oneindig herhalende patronen.

Ter vergelijking: Bitcoin komt op 12.5 biljoen punten aan data… minder dan 0.806360% van die van de S&P.
Ethereum heeft 63 miljard punten (0.004056% van de S&P).
XRP heeft 6.2 miljard (0.000398% van de S&P).
En Cardano heeft 5.8 miljard (0.000377% van de S&P).

De cryptomarkten zijn klein en hebben een korte geschiedenis. Er zijn eenvoudigweg niet genoeg gegevens om een ​​fractal… efficiënt… te structureren.

Patronen vinden in marktgegevens? En dat brengt ons bij ons belangrijkste punt.

Er zijn patronen in elke markt. Maar het observeren van die patronen vereist een enorme hoeveelheid gegevens, wiskunde en natuurkunde.

Wekelijks worden wij geconfronteerd met opmerkingen als:
“Ik zie patronen in de grafieken.” (Nee, je kan het niet)
“Ik ruil fractals in staafdiagrammen” (Fractalen zijn niet tweedimensionaal)
“Je hoeft alleen maar naar de grafieken te kijken en de patronen te zien.” (Nee, gewoon nee)

Zoals Peluse bewees, moet er een bepaalde selectie van gegevens beschikbaar zijn voordat er patronen ontstaan. Het observeren van een grafiek van 1 minuut gedurende 30 minuten levert een gebruiker 30 gegevenspunten op. In diezelfde 30 minuten hebben onze programma's meer dan 47,581 punten geabsorbeerd (alleen al in de S&P). Zelfs die hoeveelheid vertegenwoordigt slechts 0.000003051% van de steeds groter wordende complete set … en de hoeveelheid gegevens bij het structureren van een patroon betekent veel.

Het 'observeren' van een patroon terwijl je naar een grafiek kijkt, is niet alleen een prachtige manier om geld te verliezen, maar het is niets meer dan een voorkeur voor bevestiging. Als u bullish bent, zal wat u “waarneemt” bullish zijn. Als je bearish bent… wat je ziet ziet er bearish uit.

‘Patronen vinden in marktgegevens’ in grafieken staat gelijk aan het vullen van een glas met oceaanwater en concluderen: ‘Nou, er zijn duidelijk geen vissen in deze oceaan.’ De kwantiteit en kwaliteit van de gegevens die u absorbeert, betekenen veel. Doe een stapje terug en bedenk hoe weinig van die gegevens uw huidige staafdiagram vertegenwoordigt... en vraag uzelf dan af: wat betekent dit allemaal? (zijn we daar te ver mee gegaan?)

Zoals eerder in deze blog vermeld: Kortom, om ergens een patroon in te vinden, moet je een minimale set gegevens van een bepaalde omvang in acht nemen. Uw staafdiagram (die recht voor u) bevat niets dat in de buurt komt van de hoeveelheid gegevens die nodig is om een ​​patroon te vinden.

Patronen vinden is het enige wat we als mens doen. Het is echt een van de weinige dingen waar we echt goed in zijn. Maar valse positieven en voorkeuren voor bevestiging leiden ons vaak op het verkeerde pad, terwijl de oplossing vaak meer data is. Als u hulp nodig heeft bij het vinden van patronen in enorme hoeveelheden gegevens, neem dan contact op met ons team op fractalerts.