1 минутный советник для форекс

Когда речь советнник о корреляциях, в том смысле, в каком я их понимаю, неизбежно возникает вопрос: Расчет значения р вероятности ошибки - сложная процедура, поэтому компьютерные программы, в которых можно считать коэффициент корреляции, расчитывают вероятность ошибки самостоятельно. Однако многие проблемы в статистике касаются нескольких переменных.

1 минутный советник для форекс rengen форекс4

В общем виде формула для подсчета коэффициента корреляции такова:. Расчет коэффициента корреляции Пирсона предполагает, что переменные X и Y распределены нормально. Даная формула предполагает, что из каждого значения xi переменной X, должно вычитаться ее среднее значение x. Это не удобно, поэтому для расчета коэффициента корреляции используют не данную формулу, а ее аналог, получаемый с помощью преобразований:.

Используя данную формулу, решим следующую задачу: Измерялось среднее время решения заданий теста в секундах. Переменная X - обозначает среднее время решения наглядно-образных, а переменная Y - среднее время решения вербальных заданий тестов. Для решения данной задачи представим исходные данные в виде таблицы, в которой введены дополнительные столбцы, необходимые для расчета по формуле В таблице 12 даны индивидуальные значения переменных X и Y, построчные произведения переменных X и Y, квадраты переменных всех индивидуальных значений переменных X и Y, а также суммы всех вышеперечисленных величин.

Определяем критические значения для полученного коэффициента корреляции. Величины критических значений коэффициентов линейной корреляции Пирсона даны по абсолютной величине. Следовательно, при получении как положительного, так и отрицательного коэффициента корреляции по формуле оценка уровня значимости этого коэффициента проводится по той же таблице приложения без учета знака, а знак добавляется для дальнейшей интерпретации характера связи между переменными X и Y.

При нахождении критических значений для вычисленного коэффициента корреляции Пирсона число степеней свободы рассчитывается как:. Ввиду того, что величина расчетного коэффициента корреляции попала в зону значимости - Н0 отвергается и принимается гипотеза Н1. Полученная прямо пропорциональная зависимость говорит о том, что чем выше среднее время решения наглядно-образных задач, тем выше среднее время решения вербальных и наоборот.

Для применения коэффициента корреляции Пирсона, необходимо соблюдать следующие условия: Пример решения задачи при помощи коэффициента Пирсона. На основании наблюдений за развивающимся сайтом и изменением его средневзвешенной позиции по основным запросам в поисковой системе необходимо проверить, можно ли говорить о линейной зависимости между позицией сайта и числом посетителей.

X число посетителей в сутки , Y усредненная позиция сайта в поисковой системе. В таблице представлены значения признаков X и Y:. Все необходимые для расчета коэффициента корреляции промежуточные данные и их суммы представлены в таблице:. Оценим полученное нами эмпирическое значение коэффициента Пирсона, сравнив его с соответствующим критическим значением для заданного уровня значимости из таблицы критических значений коэффициента корреляции Пирсона.

Так как абсолютное значение, полученного нами коэффициента корреляции меньше критического значения, взятого из таблицы находится вне зоны значимости , мы принимаем гипотезу Н0 об отсутcтвии корреляционной зависимости между выборками. Полученный результат свидетельствует об отсутствии линейной зависимости между числом посетителей сайта и его позицией в поисковой системе, однако это не означает, что эти параметры не связаны между собой.

До сих пор мы подробно рассматривали два вида коэффициентов корреляции: Существуют и другие типы коэффициентов для различных сочетаний шкал. Для коррелирования переменных, измеренных в дихотомической и интервальной шкале используют точечно-бисериальный коэффициент корреляции.

Формула расчета коэффициента точечно-бисериальной корреляции:. Чаще всего данный вид коэффициента корреляции применяется для расчета связи пунктов теста с суммарной шкалой. Это один из видов проверки валидности. Если обе переменные представляют собой дихотомическую шкалу то следует использовать коэффициент четырехклеточной сопряженности Пирсона.

Классификация объектов по дихотомической шкале приведет к построению четырехклеточной таблицы. На основе такой классификации построим таблицу:. В клетки a,b,c,d таблицы следует вписать количество объектов, обладающих соответствующими признаками. Формула расчета коэффициента четырехклеточной сопряженности Пирсона:. Коэффициент четырехклеточной сопряженности часто применяется для коррелирования ответов на вопросы теста, закодированные в дихотомической шкале.

Коэффициент ранговой корреляции Спирмена Spearman rank correlation coefficient - мера линейной связи между случайными величинами. Для оценки силы связи между величиными используются не численные значения, а соответствующие им ранги. Этот коэффициент определяет степень тесноты и направленность связи признаков.

Абсолютное значение характеризует тесноту связи, а знак - направленность связи между двумя признаками. При экспертных оценках можно ранжировать оценки разных экспертов и найти их корреляции друг с другом, чтобы затем исключить из рассмотрения оценки эксперта, слабо коррелирующие с оценками других. Коэффициент корреляции рангов применяется для оценки устойчивости тенденции динамики. Недоучет размеров отклонений признаков от их средних величин занижает меру тесноты связи.

Поэтому для количественных признаков корреляция рангов обладает меньшей информативностью, чем коэффициент корреляции числовых значений этих признаков. Значение 1 свидетельствует о возможном наличии прямой связи, значение - 1 свидетельствует о возможном наличии обратной связи. Для оценки данных необходима выборка от 5 до 40 наблюдений по каждой переменной.

При большом количестве одинаковых рангов по сопоставляемым переменным коэффициент дает приближенные значения. При совпадении значений вносится поправка на одинаковые ранги. В этом случае формула имеет вид:. Чтобы получить адекватный результат, необязательно наличие нормального закона распределения коррелируемых рядов.

Коэффициент корреляции рангов используется для оценки качества связи между двумя совокупностями. Кроме этого, его статистическая значимость применяется при анализе данных на гетероскедастичность. При ранжировании возможно появление одинаковых рангов в каждом ряду. Одинаковые ранги называются связками. Возможно присутствие нескольких связок в одном ряду рангов. Повторяющиеся ранги для X и Y отсутствуют: Повторяющиеся ранги для X и Y есть.

В этом случае вводится поправка на связки в ранговых рядах. Поправка рассчитывается для каждого ряда отдельно. Поправка для каждого ряда рассчитывается с учетом всех связок в этом ряду: Пример решения задачи с использованием коэффициента Спирмана: На основании наблюдений за развивающимся сайтом и изменением его средневзвешенной позиции по основны м запросам в поисковой системе необходимо проверить, можно ли говорить о линейная зависимость между позицией сайта и числом посетителей.

Проранжируем каждый из элементов признаков X и Y в порядке возрастания значений самому маленькому элемнту присвоим ранг 1 и т. Результаты ранжирования представлены в таблице:. Кроме рангов, для каждого элемента из наборов признаков X и Y в таблице расчитаны Di - разность рангов и D2 - квадрат разности рангов пары соответствующих элементов X и Y.

Для расчета коэффициена ранговой корреляции Спирмена используется формула:. Найдем сумму квадратов разностей рангов, сложив для этого элементы столбца. Подставим полученные значения в формулу, и найдем значение коэффициента Спирмена. Оценка коэффициента корреляции Спирмена. Оценим полученное нами эмпирическое значение коэффициента Спирмена, сравнив его с соответствующим критическим значением для заданного уровня значимости из таблицы критических значений коэффициента ранговой корреляции Спирмена.

Так как абсолютное значение, полученного нами коэффициента корреляции больше критического значения, взятого из таблицы, мы отклоняем гипотезу H0 об отсуттвии корреляционной зависимости между выборками и принимаем альтернативную гипотезу о статистической значимости отличия коэффициента корреляции от нуля, и наличии связи. Оценка коэффициента корреляции Спирмена на основании t-критерия. Так как коэффициент ранговой корреляции больше t-критерия мы отклоняем гипотезу H0 об отсуттвии корреляционной зависимости между выборками и принимаем альтернативную гипотезу о статистической значимости отличия коэффициента корреляции от нуля, и наличии отрицательной связи между числом посетителей сайта и его позицией в поисковой системе.

Заметим, что для тех же исходных данных при подсчете коэффициента корреляции Пирсона в результате было получено заключение об отсутствии связи. Такой результат можно обьяснить тем, что коэффициент корреляции Пирсона подтверждает илиопровергает наличие линейной зависимости.

Коэффициент рангов Спирмена подтверждает присутствие монотонно-возрастающей или убывающей зависимости не обязательно линейной. В нашем случае зависимость нелинейная, но монотонно-убывающая. Коэффициент корреляции Кенделла Kendall tau rank correlation coefficient - мера линейной связи между случайными величинами. Корреляция Кенделла является ранговой, то есть для оценки силы связи используются не численные значения, а соответствующие им ранги.

Коэффициент инвариантен по отношению к любому монотонному преобразованию шкалы измерения. Таким образом, коэффициент Кенделла можно считать мерой неупорядоченности второй последовательности относительно первой. Статистическая проверка наличия корреляции. Выборки x и y не коррелируют.

Рассмотрим центрированную и нормированную статистику Кенделла:. Ниже приведены примеры вычисления корреляций Кенделла и Спирмена. Значения коэффициентов указаны над каждым изображением. Заметно, что в большинстве случаев коэффициент Спирмена больше коэффициента Кенделла. Объяснение этого эффекта приводится ниже. Коэффициенты корреляции реагируют на изменение направления и зашумлённость линейной зависимости между переменными.

Коэффициенты корреляции реагируют на изменение направления, но не реагируют на изменение наклона тренда. На первом, четвёртом и седьмом рисунках дисперсия одной из переменных близка к нулю, поэтому не удаётся зафиксировать факт линейной зависимости. Корреляции Кенделла и Спирмена не отражают меры нелинейной зависимости между переменными.

Линейная и нелинейная зависимости. На каждой из приведённых ниже иллюстраций осуществляется переход от линейной зависимости к нелинейной. Коэффициенты корреляции Кенделла и Спирмена реагируют на это одинаковым образом. По мере смены линейной зависимости нелинейной значения коэффициентов корреляции падают. В случае выборок из нормального распределения коэффициент корреляции Кенделла может быть использован для оценки коэффициента корреляции Пирсона по формуле:.

Коэффициент корреляции Кенделла и коэффициент корреляции Спирмена выражаются через ранги следующим образом:. Заметно, что в случае с коэффициентом Спирмана инверсиям придаются дополнительные веса, таким образом коэффициент Спирмана сильнее реагирует на несогласие ранжировок, чем коэффициент Кенделла.

Этот эффект проявляется в приведённых выше примерах: Если выборки x и y не коррелируют выполняется гипотеза Н0 , то величины Кенделла и Спирмена сильно закоррелированы. Коэффициент корреляции между ними можно вычислить по формуле:. Коэффициент Фехнера - это оценка степени согласованности направлений отклонений индивидуальных значений факторного и результативного признаков от средних значений факторного и результативного признаков.

Коэффициент Фехнера наряду с такми коэффициентами, как коэффициент Спирмэна и коэффициент Кэндэла, относится к коэффициентам корреляции знаков. Фехнер предложил очень простой способ оценки степени связи между составляющими двумерной выборки без использования уравнения регрессии.

Для определения индекса Фехнера вычисляют средние Х и У, а затем для каждой пары определяют знаки отклонений. Для каждой пары возможны четыре сочетания знаков: До сих пор рассматривались модели простой корреляции, то есть корреляционной зависимости между двумя признаками Однако в практике экономического анализа часто приходится изучать явления, которые складываются под влиянием не одного, а многих различных факторов, каждый из которых в отдельности может не производить решающего влияния Совокупный же влияние факторов иногда оказывается достаточно сильным, чтобы по их изменениях можно было делать виснет овкы о величинах показателя изучаемого явления Методы измерения корреляционной связи одновременно между двумя, тремя и более корреляционными признакам создают учение о множественной корреляции.

В моделях множественной корреляции зависимая переменная рассматривается как функция нескольких в общем случае п независимых переменных. Множественное корреляционное уравнение устанавливает связь между исследуемыми признаками и позволяет вычислить ожидаемые значения результативного признака под влиянием включенных в анализ признаков-факторов, связанных да аниме уравнением.

Для оценки степени тесноты связи между результативным и факторными признаками вычисляют коэффициент множественной корреляции Величина его всегда положительное число, которое находится в пределах от 0 до 1. В множественных корреляционно-регрессионных моделях коэффициент простой корреляции между результативным признаком и факторными, а также между самими факторными признаками.

Методы корреляции произведения моментов Пирсона и линейного регрессионного анализа Гальтона были обобщены и расширены в г. Джорджем Эдни Юлом до модели множественной линейной регрессии, предполагающей использование многомерного нормального распределения. Методы множественной корреляции позволяют оценить связь между множеством непрерывных независимых переменных и одной зависимой непрерывной переменной.

Коэффициент множественной корреляции обозначается через R0. Его вычисление требует решения совместной системы линейных уравнений. Число линейных уравнений равно числу независимых переменных. Частный парциальный коэффициент корреляции выражает связь между двумя переменными при исключенном элиминированном влиянии еще одной или несколко других переменных.

В простейшем случае частный коэффициент корреляции вычисляется как функция парных корреляций произведений моментов между Y, X1 и Х2. При небходимости можно воспользоваться услугами группы из m-экспертов, установить результирующиеранги целей, но тогда возникнет вопрос о согласованности мнений этих экспертов или конкордации.

Пусть у нас имеются ранжировки 4 экспертов по отношению к 6 факторам, которые определяют эффективность некоторой системы. Заметим, что полная сумма рангов составляет 84, что дает в среднем по 14 на фактор. Для общего случая n факторов и m экспертов среднее значение суммы рангов для любого фактора определится выражением. Теперь можно оценить степень согласованности мнений экспертов по отношению к шести факторам.

Для каждого из факторов наблюдается отклонение суммы рангов, указанных экспертами, от среднего значения такой суммы. Поскольку сумма этих отклонений всегда равна нулю, для их усреднения разумно использовать квадраты значений. Кэндэллом предложен показатель согласованности или коэффициент конкордации, определяемый как:. В нашем примере значение коэффициента конкордации составляет около 0,, что при четырех экспертах и шести факторах достаточно, чтобы с вероятностью не более 0.

Дело в том, что как раз случайность ранжировок, их некоррелированность просчитывается достаточно просто. В заключение вопроса об особенностях метода экспертных оценок в системном анализе отметим еще два обстоятельства. В первом примере мы получили результирующие ранги 10 целей функционирования некоторой системы.

Как воспользоваться этой результируюзей ранжировкой? Как перейти от ранговой шкалы целей к шкале весовых коэффициентов - в диапазоне от 0 до 1? Здесь обычно используются элементарные приемы нормирования. Если цель 3 имеет ранг 1, цель 8 имеет ранг 2 и т. Вес цели придется определять как:. При использовании групповой экспертной оценки можно не только выяснять мнение экспертов о показателях , необходимых для системного анализа.

Очень часто в подобных ситуациях используют так называемый метод Дельфы от легенды о дельфийском оракуле. Опрос экспертов проводят в несколько этапов, как правило - анонимно. После очередного этапа от эксперта требуется не просто ранжировка, но и ее обоснование. Эти обоснования сообщаются всем экспертам перед очередным этапом без указания авторов обоснований. Имеющийся опыт свидетельствует о возможностях существенно повысить представительность, обоснованность и, главное, достоверность суждений экспертов.

Для проверки гипотезы о равенстве двух корреляций H0 величины сравниваемых корреляций r1 и r2 подвергаются преобразованию Фишера:. Определенные таким образом z1 и z2 можно считать нормально распределенными с параметрами распределений:. В том случае, если верна нулевая гипотеза, то есть значения корреляций не различаются, величина z1 - z2 оказывается нормально распределенной со средним равным 0 и дисперсией:.

Таким образом, для z1 и z2 уровень значимости равен:. Сравнение двух коэффициентов корреляции необходимо, когда нужно узнать, какой из них достоверно выше или ниже, иными словами, насколько достоверно различие между ними. Для сравнения коэффициентов корреляции применяем следующий алгоритм и сразу же разберем его на примере. Проверяем значимость полученного значения.

Вычисляем количество степеней свободы df , далее пользуемся таблицей критических значений t-критерия Стьюдента или используем Excel:. Чтобы сравнить два коэффициента корреляции с Excel нужно использовать формулу:. Естественно, вместо R1, R2, N1, N2, df подставляем или адреса ячеек или конкретные числа. Таким образом можно сравнивать целые матрицы корреляций, что очень удобно и позволяет значительно повысить точность выводов.

Для сравнения матриц необходимо указывать адреса ячеек коэффициентов корреляций из этих матриц, а количество пар постоянно для обеих коэффициентов и может быть введено как постоянное число в формулу. Приведем пример с матрицами:. Одна из наиболее распространенных задач статистического исследования состоит в изучении связи между выборками.

Обычно связь между выборками носит не функциональный, а вероятностный или стохастический характер. В этом случае нет строгой, однозначной зависимости между величинами. Корреляционный анализ состоит в определении степени связи между двумя случайными величинами X и Y. В качестве меры тесноты такой связи используется коэффициент корреляции.

Коэффициент корреляции оценивается по выборке объема п связанных пар наблюдений x, y из совместной генеральной совокупности X и Y. Коэффициент корреляции - параметр, который характеризует степень линейной взаимосвязи между двумя выборками. Приближенно принимают следующую классификацию корреляционных связей: Для более точного ответа на вопрос о наличии линейной корреляционной связи необходима проверка соответствующей статистической гипотезы.

В MS Excel для вычисления парных коэффициентов линейной корреляции используется специальная функция КОРРЕЛ массив1; массив2 , где массив1 - ссылка на диапазон ячеек первой выборки X ; массив2 - ссылка на диапазон ячеек второй выборки Y. Переменная X - среднее время решения конструкторских заданий, а переменная Y- среднее время решения логических заданий тестов.

Для выявления степени взаимосвязи, прежде всего, не-обходимо ввести данные в таблицу MS Excel. Затем вычисляется значение коэффициента корреляции. Для этого курсор установите в ячейку C1. На панели инструментов нажмите кнопку Вставка функции fx. Указателем мыши введите диапазон данных выборки Х в поле массив1 А1: В поле массив2 введите диапазон данных выборки Y В1: В ячейке С1 появится значение коэффициента корреляции - 0, После этого нужно вычислить наблюдаемое значение критерия по формуле:.

Далее необходимо по статистическим таблицам определить критические значения по Приложению 6 критические точки распределения Стьюдента - двусторонние. При нахождении критических значений число степеней свободы. Поскольку наблюдаемое значение критерия принадлежит области принятия нулевой гипотезы, она принимается.

Иными словами линейной корреляционной связи между временем решения конструкторских и логических заданий теста нет. При большом числе наблюдений, когда коэффициенты корреляции необходимо последовательно вычислять для нескольких выборок, для удобства получаемые коэффициенты сводят в таблицы, называемые корреляционными матрицами. Корреляционная матрица - это квадратная таблица, в которой на пересечении соответствующих строки и столбца находится коэффициент корреляции между соответствующими параметрами.

В MS Excel для вычисления корреляционных матриц используется процедура Корреляция из пакета Анализ данных. Процедура позволяет получить корреляционную матрицу, содержащую коэффициенты корреляции между различными параметрами. Для реализации процедуры необходимо:. Входной интервал должен содержать не менее двух столбцов;. Размер выходного диапазона будет определен автоматически, и на экран будет выведено сообщение в случае возможного наложения выходного диапазона на исходные данные.

В выходной диапазон будет выведена корреляционная матрица, в которой на пересечении каждых строки истолбца находится коэффициент корреляции между соответствующими параметрами. Ячейки выходного диапазона, имеющие совпадающие координаты строк и столбцов, содержат значение 1, так как каждый столбец во входном диапазоне полностью коррелирует сам с собой.

Рассматривается отдельно каждый коэффициент корреляции между соответствующими параметрами. Отметим, что хотя в результате будет получена треугольная матрица, корреляционная матрица симметрична. Подразумевается, что в пустых клетках в правой верхней половине таблицы находятся те же коэффициенты корреляции, что и в нижней левой симметрично относительно диагонали.

Имеются ежемесячные данные наблюдений за состоянием погоды и посещаемостью музеев и парков. Необходимо определить, существует ли взаимосвязь между состоянием погоды и посещаемостью музеев и парков. Для выполнения корреляционного анализа введите в диапазон A1: G3 исходные данные рис. Затем выберите пункт Анализ данных и далее укажите строку корреляция.

В появившемся диалоговом окне укажите Входной интервал А2: Укажите, что данные рассматриваются по столбцам. Укажите выходной диапазон Е1 и нажмите кнопку ОК. На рисунке видно, что корреляция между состоянием погоды и посещаемостью музея равна -0,92; а между состоянием погоды и посещаемостью парка 0,97; между посещаемостью парка и музея -0, Таким образом, в результате анализа выявлены зависимости: Итак, коэффициент корреляции свидетельствует о линейной зависимости, или связи, между двумя переменными.

Знаккоэффициента корреляции определяет характер зависимости: Сильная корреляция не является причинно-следственной зависимостью. Она лишь свидетельствует о наличии тенденции, характерной для данной выборки. Допустим, у меня есть две дискретных случайных величины: Как рассчитать ковариацию на основе этих распределений?

Нужно ли считать распределение произведения? Перепробовал все какие нашел формулы из Интернета, все выдают какую-то лажу, в частности коэффициент корреляции по ним получается то больше единицы, то всегда 0, то не получается единицей в указанном выше случае. Коэффициент корреляции получаю делением на произведение среднеквадратичных отклонений, дисперсию для стандартного отклонения считаю как взвешенную по вероятностям сумму разниц квадратов значений случайной величины и её мат.

Для вычисления корреляции случайных величин нужно знать их совместное распределение. То есть, грубо говоря, знать, как часто вторая величина принимает значения , и , если первая величина равна то же для других значений. Вы такой информации не дали. То, что Вы нашли в Excel - это другая величина, выборочная корреляция ее можно рассматривать как оценку истинной, но это другая тема.

Она вычисляется для парной выборки x1,x2, При таком понимании эти величины взаимосвязаны. Если же значения в каждом наборе перемешать независимо от другого например, упорядочить , получим совсем другой и неправильный ответ. Вы пытаетесь найти совместное распределение как произведение распределений двух величин. Это означает, что две Ваши величины независимы, и корреляция между ними должна быть равна 0.

Скриншот вычисления при правильно подобранных совместных вероятностях. Основные принципы интерпретации различных коэффициентов корреляции одинаковы. Полученный коэффициент нужно проверить на значимость, которая зависит от вероятности ошибки и количества человек.

С другой стороны, при выборке в 5 человек очень большой коэффициент мы признаем незначимым, так как из-за малого количества человек мы можем совершить ошибочный вывод об этой корреляции. Таким образом, для нас главное узнать какой должна быть вероятность ошибки и количество человек, чтобы признать полученный коэффициент действительно значимым.

Расчет значения р вероятности ошибки - сложная процедура, поэтому компьютерные программы, в которых можно считать коэффициент корреляции, расчитывают вероятность ошибки самостоятельно. Если же расчет производился вручную или по другим причинам конкретное значение р неизвестно, то используем уже рассчитанные таблицы критических значений. Таблицы критических значений предназначены чтобы можно было найти критическое значение коэффициента корреляции, то есть такое, после которого взаимосвязь можно считать значимой и неслучайной.

При этом значение вероятности ошибки задаётся исследователем. Таким образом, пользуясь таблицами мы отвечаем на вопрос: В первой колонке таблицы критических значений находится значение df Degrees of Freedom - степени свободы , которое расчитывается очень просто: На пересечении нужного df и выбранной вероятности ошибок находим критический коэффициент корреляции. Если рассчитанное значение больше критического - коэффициент значимый, в обратном случае взаимосвязь является случайной.

Существуют различные формулы расчета коэффициента корреляции для различных типов шкал. В следующей таблице написаны названия коэффициентов корреляции для различных типов шкал. Коэффициент корреляции - это мера взаимосвязи измеренных явлений. На самом примитивном уровне его можно рассматривать как меру совпадения двух рядов чисел.

Отрицательные значения говорят про обратнопропорциональную взаимосвязь, положительные о прямопропорциональной. Полученный коэффициент необходимо сравнивать с критическим табличным. Для каждого трейдера важно понимать, что мы работаем с торговыми инструментами, состоящими из пары валют. В отличие от фондового рынка , где, как правило, каждый торговый инструмент это всего лишь одна индивидуальная единица, на Форекс используется измерение стоимости одной валюты в единицах другой.

При этом мы не редко можем наблюдать, визуальную схожесть в движении нескольких валютных пар. Это может быть связано с тем, что обе пары могут содержать одну и ту же валюту в обоих случаях. Одним из способов использования корреляции пар в торговле является устранение расхождения инструментов.

В этом случае, при наблюдении за движением подопытных, человек заметит, что К время от времени меняется, то несколько увеличиваясь, то несколько уменьшаясь. Тем не менее, средние значения коэффициента все равно находятся в диапазоне 0. То есть, при росте одной пары рост другой окажется весьма ограничен.

Нахождение подобных ситуаций и дальнейшее их использование затрудняется непостоянностью значения К. Мы можем не верно толковать новые значения коэффициента, принимая из за ожидаемый нами разрыв, но позже может оказаться, что это новое значение данного коэффициента, которое теперь станет постоянным на определенное время. Существуют специальные корреляционные индикаторы, помогающие трейдерам наблюдать за схождением и расхождением инструментов, а другими словами, за изменениями текущих значений К.

Сложно переоценить значимость коэффициента корреляции в рыночной торговле. Его использование позволяет смотреть на трейдинг более глобально, учитывая движения пар, относительно друг друга. Еще одной областью применения коэффициента стало хеджирование. Желая снизить риски в своей торговле, спекулянты могут проводить хеджирование не только на разных рынках, но и с помощью коррелирующих инструментов.

Таким образом, происходит частичное хеджирование. Для начала разберемся в самой сути такого понятия, как арбитраж. Выделяют эквивалентный арбитраж - операции с комбинацией составных или производных активов опционов , фондовых индексов и обычных контрактов, когда между теоретически эквивалентными комбинациями на практике возникает разница цен.

Упрощенно арбитраж выглядит следующим образом: При отклонении стоимости корзины от расчетной величины, совершается сделка. В первоначальном виде арбитраж возник на заре развития вторичных региональных бирж , когда один итот же актив торговался на разных площадках по разным ценам и с 44 каждым годом разрыв этой цены стремительно сокращался, а вместе с ним скорость арбитражных стратегий и их объем.

Сегодня существует в качестве межбиржевого варианта, когда актив торгуется на биржах разных стран, например на токийской и нью-йоркской, лондонской и франкфуртской. А также на New York Stock Exchange и Nasdaq в качестве арбитража разных активов, например двух-трех акций из одного сектора. В основе арбитража лежит такое понятие, как корреляция.

Корреляция, если простыми словами - это взаимосвязь двух или более событий, то есть когда происходит одно, то вероятно статистически подтверждено и другое. Когда-то корреляции на рынке были невыраженными в моменте, они были растянуты во времени. Однако совершенно очевидно, что если все так просто, то все бы с легкостью зарабатывали, чего, как мы все прекрасно знаем, не происходит.

Они намертво связаны между собой. Малейшее изменение цены одного приводит к мгновенному изменению цены другого. Тут, понятно, корреляция обратная и речь идет о торгуемых инструментах, например, на СМЕ. И данная корреляция действительна в обе стороны. Когда речь заходит о корреляциях, в том смысле, в каком я их понимаю, неизбежно возникает вопрос: Основные поводыри для Американского фондового рынка следующие в порядке убывания силы глобального влияния:.

Фьючерсный контракт на индекс SNP - главный поводырь, самый влиятельный, нет ни одного ликвидного инструмента, на который бы не оказало влияние изменение цены фьючерсного контракта хотя бы на тик, реакция есть всегда. Я могу ответственно заявить, что фьючерсный контракт - быстрее, изменчивее в разы и главнее в данном контексте. Фьючерс на нефть марки West Texas Intermediate - углеводороды, что тут еще сказать.

Сильное влияние оказывает на некоторые сектора, на отдельные индустрии , связанные с нефтедобычей и переработкой нефти , а также на те отрасли, где существенная статья издержек - топливо и ГСМ, например авиакомпании. Сам актив несколько зависим от Индекса доллара. Также как и нефть , оказывает серьезное влияние на компании, занимающиеся золотодобычей , переработкой, реализацией и прочим.

Сам по себе поводырь зависим в моменте от Индекса доллара. Сам зависим от макроэк. Оказывает влияние на многие товарные фьючерсы, расчет по которым ведется в американских долларах. А вот обратное не будет иметь такого влияния. Это один из вариантов, комбинаций может быть очень много.

Теперь давайте рассмотрим какой-нибудь самый необычный пример. И не нужно рассказывать, что у них все поставки фьючерсные, с фиксированной ценой на пару лет вперед и прочее, это все так, но откройте их график минутный и понаблюдайте, что происходит, когда нефть очень резко изменяется в цене. Да все, особенно скальперы, роботы-скальперы, люди-скальперы.

Роботы-арбитражеры в первую очередь, а также алгоритмы, котирующие акцию читай маркетмейеры. Ведь иначе невозможно было бы такую массу акций заставить двигаться более менее одинаково, речь, понятно, внутри дня. Потому что, если мы взглянем на большие таймфреймы , то выясниться, что многие сектора живут своей отдельной жизнью. Вот например, график месячный, с года:.

Интересно, они рванут вверх, за ростом фьючерсного контракта или на малейшем его откате шлёпнутся еще ниже? А вот, что на меньших масштабах времени, дневка, за год:. Действующие лица те же. В общем есть некое понимание, что графики похожи, но одни сильнее рынка в целом, а другие слабее, в абсолютном выражении, при расчете на начало года.

Это все глобально, на год, а вот на месяц:. Меня же в торговле интересует арбитраж внутридневной, график - от пятиминутного до минутного:. Или, например, технологический сектор в пятницу Это, что касательно фьючерса SNP на графиках, для моего удобства показан не сам фьючерсный контракт, а ETF на индекс SNP , учитывая, что график - линия, различий нет совсем.

А вот пример акций нефтяной индустрии, в сравнении с черным золотом:. Показать в картинках, что происходит и какая реакция - сложно, потому распишу немного словами. Что можем видеть на ведомых, если на ведущих есть большое движение? Если же движение общее, не только на сильных акциях, а на всем рынке в целом, то может произойти сильное движение, с объемом, и с еще большим расширением спреда в противоположную от него движения сторону.

Это один из десятков сценариев, понятно, что всегда есть вариации, но уловить общее можно, если тщательно понаблюдать и проанализировать поведение акций и их поводырей. Сложим все варианты арбитража в одну табличку и определим четыре варианта действий простым языком, не пинайте, но так понятно всем будет: Имея ввиду торговлю одного инструмента, чаще поступают так, торгуя по тренду сектора индустрии: Еще более кратко сам процесс можно описать так: Те, кто первый в столбце, те и рулят, как правило.

В случае, если нет глобальных новостей по сектору или если нет отчетов у разных акций из этого сектора. Мы предполагаем, что доходность по каждой из акций А и В - это случайные величины Rа и Rв. Теперь нас интересует, каково будет среднее значение доходности портфеля и стандартное отклонение для портфеля. Вопрос средней доходности портфеля решается просто.

А вот стандартное отклонение - показатель уровня изменчивости доходности портфеля, не отражает средней изменчивости доходности его компонентов акций. Причина в том, что диверсификация снижает изменчивость, так как цены различных акций изменяются неодинаково. Во многих случаях снижение стоимости одной акции компенсируется ростом цены на другую.

Ожидаемая доходность нашего портфеля равна средневзвешенной ожидаемых значений доходностей отдельных акций:. Для того, чтобы найти дисперсию и стандартное отклонение доходности портфеля, мы должны знать значения ковариации акций А и В. Ковариация служит для измерения степени совместной изменчивости двух акций. Общая формула вычисления ковариации:. Из формулы видно, что ковариация любой акции с ней самой равна ее дисперсии.

В задачах, значение ковариации двух активов будет дано. Или, вместо нее будет дано значение коэффициента корреляции - безразмерной величины, которая стандартизует ковариацию для облегчения сравнения, и принимает значения от -1 до 1. Пусть нам дано, что коэффициент корреляции акций А и В равен 0,7. В большинстве случаев, изменение акций происходит в одном направлении.

В этом случае коэффициент корреляции и, соответственно, ковариация, положительны. Если акции изменяются соверженно не связанно, тогда коэффициент корреляции и ковариация равны нулю. Если акции изменяются в противоположных направляения - коэффициент корреляции и ковариация отрицательны. Для нахождения дисперсии портфеля, нам надо заполнить матрицу:.

Эта матрица очень похожа на матрицу ковариаций. Заполнив матрицу, надо просто сложить полученные в ней величины и найдем дисперсию портфеля:. К сожалению, в реальности, отрицательная корреляция акций практически не встречается. В настоящей статье я хочу предложить вашему вниманию небольшое исследование, посвященное одному из статистических показателей - линейному коэффициенту корреляции.

А также поделюсь некоторыми соображениями по его применению в трейдинге на примере акций Лукойла. Корреляция корреляционная зависимость - статистическая взаимосвязь двух или нескольких случайных величин либо величин, которые можно с некоторой допустимой степенью точности считать таковыми. При этом изменения значений одной или нескольких из этих величин сопутствуют систематическому изменению значений другой или других величин.

Математической мерой корреляции двух случайных величин служит корреляционное отношение либо коэффициент корреляции. В случае, если изменение одной случайной величины не ведёт к закономерному изменению другой случайной величины, но приводит к изменению другой статистической характеристики данной случайной величины, то подобная связь не считается корреляционной, хотя и является статистической.

В первом случае предполагается, что мы можем определить только наличие или отсутствие связи, а во втором - также и ее направление. Если предполагается, что на значениях переменных задано отношение строгого порядка, то отрицательная корреляция - корреляция, при которой увеличение одной переменной связано с уменьшением другой.

При этом коэффициент корреляции будет отрицательным. Положительная корреляция в таких условиях - это такая связь, при которой увеличение одной переменной связано с увеличением другой переменной. Возможна также ситуация отсутствия статистической взаимосвязи - например, для независимых случайных величин.

Коэффициент корреляции рассчитывается по формуле:. Данный метод обработки статистических данных весьма популярен в экономике и социальных науках в частности в психологии и социологии , хотя сфера применения коэффициентов корреляции обширна: В различных прикладных отраслях приняты разные границы интервалов для оценки тесноты и значимости связи.

Популярность метода обусловлена двумя моментами: В сочетании с простотой интерпретации, простота применения коэффициента привела к его широкому распространению в сфере анализа статистических данных. Итак, коллеги, ЛКК определяет: Важным и необходимым условием для расчета ЛКК является наличие двух одинаковых по количеству данных потоков данных.

Так же в общем случае считается, что значения ЛКК можно считать достоверным, если в расчете участвует поток из более, чем 30 пар данных. Чем теплее на улице, тем больше покупаем летних вещей. Рост температуры - рост продаж. Чем холоднее на улице, тем больше покупаем зимних теплых вещей. Снижение температуры - рост продаж.

Примеры применения ЛКК в трейдинге. Области применения ЛКК в трейдинге достаточно широки. Например, долго считалось, что при падении фондовых рынков в целом растет спрос на золото. То есть между динамикой фондовых рынков и динамикой цены золота существует обратная корреляционная зависимость. Но в последние несколько лет, а именно в основном начиная с года, такие зависимости явно изменились.

И либо сильно ослабли, либо исчезли совсем. У приведенных выше примеров есть одна общая особенность: Тем не менее, в одной из книг, посвященных теории управления капиталом а именно, Р. Это может быть, например, непрерывный поток исходов в системных сделках или поток цен какой-то одной акции.

О таком методе построения ЛКК ниже. Составим поток из недельных свечей. Мне удалось найти архив, начиная с Исследовать будем не свечи в целом, а, например, максимальные цены в каждой свечей. Таким образом, перед нами непрерывный поток из данных - максимальные цены в каждой торговой неделе, начиная с 01 января года.

Кроме этих данных, пока никакие другие данные нам не нужны. На рисунке показана динамика максимальных недельных цен в акциях LKOH. Расчет ЛКК должен дать ответы на вопросы: Есть ли зависимость между максимальными ценами двух любых соседних недель. Если зависимость есть, то какова ее направленность?

Коллеги, если упростить, то вопрос можно сформулировать так: Если на истекшей неделе Лукойл обновил свой недельный максимум по сравнению с предыдущей неделей, то можем ли мы ожидать продолжения роста и на будущей неделе? Для расчета ЛКК поток данных требует некоторой трансформации.

В противном случае значение равно 0. Таким образом, поток цен преобразован в поток единиц и нулей. Поскольку для расчета ЛКК необходимо два потока данных, то сделаем следующее:. Таким образом, из одного потока данных получено два. И теперь смысл расчета ЛКК заключается в выяснении связи между двумя соседними значениями выборки.

В нашем случае - максимальными ценами соседних недель текущей и предыдущей. Теперь собственно по расчету ЛКК. Расчет произведем двумя способами: Охватим весь период выборки недель. Начиная с 30й недели выборки август года для каждой недели рассчитаем значение ЛКК по последним 30 неделям. То есть для каждой недели рассчитаем т. Результаты расчетов отражены на рисунке:. То есть факт обновления максимальной цены на текущей неделе по сравнению с предыдущей позволяет сделать предположение о том, что на следующей неделе в сравнении с текущей вероятность обновления максимума выше вероятности НЕобновления максимума.

Самый продолжительный период, в течение которого корреляция между недельными максимумами была положительная - это период с мая года до августа года. В этот период обновление максимумов на прошлой неделе в большинстве случаев приводило к обновлению максимумов в течение текущей недели. Именно в этот период акции Лукойла агрессивно росли. Самый продолжительный период, в течение которого корреляция между недельными максимумами была отрицательная - это период с августа года по июль года.

В этот период недельной обновление максимумов на прошлой неделе в большинстве случаев не приводило к обновлению максимумов в течение текущей недели. И наоборот, НЕобновление недельных максимумов в течение текущей недели в большинстве случае приводило к росту на следующей неделе. В точках, где синяя линия находится выше красной, корреляция между недельными максимумами выше средней за период и имеет прямую направленность.

В таких точках при обновлении недельных максимумов на текущей неделе наиболее вероятно обновление максимумов в течение следующей недели. В точках, где синяя линия находится ниже красной, корреляция между недельными максимумами ниже средней за период и имеет в основном обратную направленность.

В таких точках, в отличие от ситуации п. Коллеги, на основании последних двух выводов у меня сформировалась идея тестирования стратегии, построенной на принципах такого парного корреляционного эффекта. Стратегия, построенная на принципах автокорреляции. Таким образом, удержание позиции строго в течение торговой недели без ухода в бумагах на выходные; внешние факторы - цены нефти , мировые новости, динамика западных рынков и проч.

Методом тестирования определяется некое критическое скользящее значение линейного коэффициента корреляции далее - ЛККкр по 30 периодам. Срок удержания позиции - не позднее Close недели открытия позиции. Во всех остальных случаях - вне позиции cash. И ничего более сверх этого.

Само решение принимается в промежутке между закрытием торговой недели и открытием следующей торговой недели. В случае формирования торгового сигнала трейдеру необходимо находиться в рынке утром первого дня торговой недели для открытия позиции и вечером последнего дня торговой недели для выхода из бумаг. Для тестирования такой стратегии вполне хватило возможностей Excel.

У недельного Лукойла критическим значением ЛКК оказалось значение 0, Приведу пару примеров для иллюстрации:. В данном случае выполнены оба условия покупки: На основании этого на Open свечи Позиция закрыта на Close свечи В данном случае так же выполнены оба условия покупки: Средний результат положительного исхода равен по модулю среднему результату отрицательного исхода 38 руб.

С учетом частоты распределения положительных и отрицательных исходов расчет математического ожидания выглядит следующим образом: Диапазон колебаний исходов сигналов находится в пределах [ руб. Фактически покупки по варианту 2 - это покупки против падения рынка. Поэтому показатели риска и волатильности выше, нежели по варианту 1.

Общий положительный результат потока сигналов сформирован за счет превышения размера средней прибыли над средним убытком. С учетом частоты распределения положительных и отрицательных исходов расчет мат ожидания выглядит следующим образом: С учетом частоты распределения положительных и отрицательных исходов расчет мат. В целом стратегия показала неплохой тренд-следящий результат, а так же оказалась достаточно устойчива в условиях падения года.

Особенно, если учесть усилия трейдера по следованию сигналам. Коллеги, за сим пока все по описанию линейной корреляции и ее применении в трейдинге. Рассмотрим такое явление, как межвалютная корреляция на Международном рынке Форекс. Данная методика может существенно повысить понимание рыночных процессов, а также улучшить качество ваших краткосрочных и среднесрочных прогнозов. Существует две разновидности межвалютной корреляции, которые могут помочь в работе трейдера.

Корреляция - это статистический термин, означающий наличие взаимосвязанных тенденций изменений между двумя рядами данных. В нашем случае Валютная корреляция - это взаимосвязь между историческими данными курсов одной валютной пары. Или изменения курса одной пары могут быть взаимосвязанными с изменениями другой пары. Данная взаимосвязь чаще всего имеет фундаментальное экономическое обоснование и уходит корнями в особенности мировой экономики.

Проще говоря, есть две валютных пары: Выше мы говорили о двух разновидностях. Это скользящая и прямая корреляция. Прямая корреляция валютных пар - явление, полезное для повышения точности прогнозов. Даже торгуя на одном инструменте, вы можете повысить точность прогнозирования, применяя анализ нескольких валютных пар.

Известно, что эти валютные пары в прямой корреляции, то есть вверх и вниз идут синхронно. Если же всё совпало, - вы можете с большей уверенностью открывать позицию. Получается, зная взаимосвязи, можно уменьшить количество случайных сигналов. Однако нужно помнить, что корреляционный анализ работает на относительно больших масштабах в лучшем случае на часовых или получасовых графиках.

Следующий вид корреляции - скользящая. Суть в том, что взаимосвязь проявляется на сдвинутом по временной шкале наборе данных. Если собрать информацию, достаточно детальную для формирования торговой стратегии, наличие таких корреляций может очень существенно повысить точность.

Фактически, у вас появляется инструмент базового прогнозирования курса. Берем курсы нескольких инструментов, копируем исторические данные в Эксель и ищем корреляцию. Чтобы искать прямую корреляцию, необходимо выделять два совпадающих по временному промежутку набора данных. Чтобы искать скользящую взаимосвязь, сдвигаем множество вправо или влево на несколько периодов.

Эти границы более чем условны, следует проверять их на практике Для того чтобы легче было понять взаимосвязи и соотношение с числом коэффициента корреляции я подготовил рисунки, которые наглядно показывают коэффициент и визуальное сходство двух рядов. В качестве примера взяты рад косинуса и зашумлённый ряд косинусоиды, от амплитуды зашумления зависит коэффициент корреляции:.

А здесь пример обратной корреляции валют. Как видим когда одна расчёт другая падает! Текущая корреляция наиболее популярных валютных пар. Нужно понимать, что корреляция между валютами не является постоянной, рынок постоянно меняется. Приведенные здесь данные являются примерными, точную информацию нужно рассчитывать самостоятельно. Рассмотрим, как коррелирует с другими инструментами наиболее популярный среди трейдеров инструмент Евро Доллар: Что касается скользящей корреляции, ловить ее довольно сложно.

Но такую взаимосвязь нужно рассчитывать чуть ли не для каждого отдельного торгового дня. В обоих случаях мы покупаем EUR и продаем вторую валюту. Некоторые пары движутся относительно друг друга, но со временем К может меняться. Например, чтобы определить для своей работы две коррелирующие между собой валютные пары, достаточно найти такую из всего ассортимента, предоставляемого ДЦ, которая бы имела очень низкую волатильность.

Не каждый день ширина ее движения на рынке превышала бы 30 пунктов, что можно считать малой величиной, относительно аналогичных показателей других пар. Для уверенной торговли необходимо иметь четкое представление не только об особенностях отдельных инструментов торговли, но и об их взаимодействии друг с другом. Существуют целые торговые стратегии, построенные с использованием К.

Могут применяться даже наложения одного ценового графика на другой, для выявления аналогий в движениях цены. Коэффициент может периодически рассчитываться заново, учитывая последние изменения в поведении ценовых графиков. Согласно Гарри Максу Марковицу , любой инвестор должен основывать свой выбор исключительно на ожидаемой доходности и стандартном отклонении при выборе портфеля. Подшивки Структурирование данных — не роскошь, а необходимость.

Диспетчер подшивок AutoCAD организует листы чертежей, упрощает публикацию, автоматически создает виды на листах, передает данные из подшивок в основные надписи и штемпели. Вся нужная информация сводится воедино, что значительно упрощает доступ к ней. Масштабирование аннотаций Вы можете ускорить управление объектами, размещенными на разных слоях.

Благодаря функции масштабирования аннотаций создается единый аннотативный объект, который автоматически принимает размер видового экрана или пространства модели. Операции с текстом Манипулирование текстом при вводе заключается в его визуальном размещении и масштабировании. Подстроить положение текста можно средствами, хорошо знакомыми по текстовым редакторам абзацы, колонки и т.

Создание и редактирование мультивыносок Вы можете легко создавать и редактировать выноски. Настройка стилей мультивыносок обеспечивает их единообразие, позволяет объединять несколько линий выносок в одну мультивыноску, включать в выноски рамки и блоки.

Работа с таблицами При помощи функций AutoCAD можно автоматизировать кропотливые процессы создания и редактирования таблиц. Путем установки соответствующего стиля таблиц одновременно задаются шрифт, цвет, границы и другие свойства. Извлечение данных Мастер извлечения данных позволяет быстро извлекать данные из объектов чертежей включая блоки и атрибуты.

Затем эти данные можно автоматически выводить в таблицы или внешние файлы. Это избавляет от необходимости отдельно редактировать таблицы. Вся информация автоматически синхронизируется. Управление слоями Создание и редактирование свойств слоев теперь выполняется быстрее и с меньшим количеством ошибок. Изменения, внесенные в диалоговом окне работы со слоями, сразу же становятся видны на чертеже.

Динамические подсказки и меню Сосредоточьтесь на работе, а не на инструментах. При динамическом вводе запросы командной строки отображаются возле курсора, так что вы можете запускать команды, просматривать размеры и вводить значения, не отвлекаясь на командную строку. Меню быстрых свойств позволяет просматривать и изменять требуемые свойства объектов, просто наводя на них курсор.

Удобный пользовательский интерфейс Отныне стало гораздо удобнее работать с несколькими файлами одновременно. Функция быстрого просмотра оперирует не только именами файлов, но и их образцами. Она упрощает поиск и открытие нужного файла на нужной вкладке. В новом браузере-меню вы можете перемещаться по файлам, рассматривать их образцы, получать информацию об размерах файлов и их авторах.

Части архива на разных зеркалах-файлообменниках идентичны: Если Вы считаете, что данная информация интересна или полезна, то нажмите кнопку, соответствующую аккаунту вашей Социальной Сети а если его еще нет, то можете создать , добавьте себе ссылку, и поделитесь данным материалом с друзьями. Сайт не содержит ПО, ломаных версий, кряков, крэков, и других незаконных файлов, доступных для загрузки.

Сайт состоит исключительно из страниц, на которых в свою очередь, также как и на страницах любой поисковой системы, могут содержаться ссылки на другие адреса Интернета. Вся информация взята из открытых источников - сайт всего лишь нaбор рeкламных картинок и ссылoк, и не предоставляет электронные версии материалов, а занимается лишь коллекционированием и каталогизацией ссылок, присылаемых и публикуемых нашими посетителями.

Администрация сайта не несёт ответственности за их содержание. Вся инфoрмация и ссылки представлeны исключительно в oзнакомительных цeлях и предназначeны тoлько для прoсмотра. Ссылки на oбъекты автoрского права на страницах данного сайта указывaют на внeшние общедoступные истoчники в сeти Интeрнет, не нахoдящиеся на ресурсах, подкoнтрольных данному сайту.

Администрaция сайта не распoлагает инфoрмацией о правомернoсти опубликoвaния этих материалoв. Все cсылки размeщены на правах рeкламы или в ознакoмительных цeлях. Скачать программы soft , фильмы, мультфильмы, операционные системы Windows XP; Vista; 7, а также обои, темы и украшения для них, электронные книги, игры, видео, музыку, юмор, все для мобильников и КПК, полезные советы и статьи - всё для Вас, и всё бесплатно!

Продолжение темы - AUTO-PROFIT Скачать советник и инструкцию по его настройке и 0 - тейк профит 1 - тралл Take profit един для двух случаев фиксирования прибыли. Все о Форекс|Изучаем MetaTrader 4 .. В пятницу поставил его на минутный ТМ, за день советник наторговал центов. Итого в. 1 Что такое Советники Форекс для малых депозитов? .. Советник Forex Hero показывает хорошие результаты на минутном таймфрейме по. Этот метод первоначально использовался на 1-минутных графиках, но из-за достаточно большие спрэды, таймфрейм был заменён на 5-минутный.

2 3 4 5 6

Так же читайте:

  • Топ 10 брокеров россии форекс
  • Отзывы о курсе гилки автофорекс
  • My market download
  • microsoft quarterly report

    One thought on 1 минутный советник для форекс

    Leave a Reply

    Ваш e-mail не будет опубликован. Обязательные поля помечены *

    You may use these HTML tags and attributes:

    <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>