ein völlig zufälliger Prozess und FOREX. - Seite 5
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Ich habe beschlossen, den Determinismus des Pseudo-Zufallszahlengenerators zu verringern, indem ich die Reihe der Zufallszahlen mehrmals mische.
% mischen
for=1:1:10000
i1 = fix(rand*N)+1; ))))
i2 = fix(rand*N)+1; ) ))
c=r(i1);
r(i1)=r(i2);
r(i2)=c;
Oben habe ich ein Beispiel gegeben, bei dem ich die gesamte Sequenz mehrmals gemischt habe und sowohl die eine als auch die andere Sequenz angezeigt habe.
Ich beschloss, den Determinismus des Pseudo-Zufallszahlengenerators zu verringern, indem ich eine Reihe von Zufallszahlen mehrmals mischte.
% mischen
for=1:1:10000
i1 = fix(rand*N)+1; ))))
i2 = fix(rand*N)+1; ) ))
c=r(i1);
r(i1)=r(i2);
r(i2)=c;
Oben habe ich ein Beispiel gegeben, bei dem die gesamte Sequenz mehrmals gemischt wurde und sowohl die eine als auch die andere Sequenz angezeigt wurde.
fix(rand*N)+1 gibt eine ganze Zahl von 1 bis N zurück. In Matlab geht die Indizierung von 1.
ficken
und sie sind bekanntermaßen korreliert, d. h. sie liegen innerhalb eines Zeitraums .
Versuchen Sie es mit einer zufälligen Anzahl von Rand-Aufrufen zwischen dem Abrufen der Indizes, um die Periodizität zu unterbrechen.
rand klickt die Sequenz sequentiell an. Die Indizes werden als ein Paar benachbarter Pseudo-Generator-Nummern genommen,
und sie sind bekanntermaßen korreliert, d. h. sie liegen innerhalb des Zeitraums m.
Versuchen Sie, eine zufällige Anzahl von Rand-Aufrufen zwischen dem Abrufen von Indizes durchzuführen, um die Periodizität m zu brechen.
Darüber haben wir bereits gesprochen.
der Sinn dieser Voreinstellung ist ein anderer.
Es wäre in Ordnung, wenn die Änderung additiv in Form einer Aufsummierung einiger weiterer Zahlen zu dieser Reihe erfolgen würde.
Aber die Art der Veränderung ist völlig anders.
Wenn Sie glauben, dass die Korrelation von Rand und Permutation so groß ist, ist ein solcher Generator wertlos.
Verstehen Sie das?
Auch wenn es sich um einen Pseudo-Zufallsgenerator handelt, bedeutet das nicht, dass man paranoid Zufallsaufrufe von einer Zufallszahl einfügen sollte.
alle diese Anrufe haben ebenfalls eine Verteilung, die mit der PSG korreliert.
Durch die Vermischung der Daten bleibt die Art der Abfolge nämlich gleich.
von welcher Korrelation sprechen Sie????????
close all;
N=1000;
r=NORMRND(0,0.0077,1,N);
r1=r;
for i=1:1:100000
i1 = fix(rand*N)+1
for j=1:1:1000
rand;
end
i2 = fix(rand*N)+1
c=r(i1);
r(i1)=r(i2);
r(i2)=c;
end;
figure;
%r=r-05;
for i=2:1:length(r)
r(i)=r(i)+r(i-1);
r1(i)=r1(i)+r1(i-1);
end
grid on;
plot(r);
figure;
plot(r1);
Before
Nach
Es ist sogar noch cooler =))
Die Art und Weise, wie Sie eine Zufallsreihe bilden, ist dem Algorithmus für lineare kongruente Oszillatoren sehr ähnlich. Es ist längst bewiesen, dass dieser Algorithmus (und seine verschiedenen Modifikationen) alles andere als eine Zufallsreihe erzeugt. Dies gilt sowohl für die Generierung von Sequenzen "als Ganzes" als auch für die Generierung von Zufallsdaten selbst(eine Anmerkung: wenn ich mich nicht irre, hat mathLab einen solchen Algorithmus implementiert, aber es ist leicht, ihn zu überprüfen). Außerdem kann ein Computer nur eines - nämlich eine Zufallsfolge erzeugen. Der Einsatz von neuronalen Netzen ist in dieser Richtung vielversprechend, und man schafft es, mit Hilfe von NS, sagen wir mal, "maximal bewiesene Zufallsvariablen" zu erhalten und für ein Unternehmen alle möglichen cleveren Doktorarbeiten zu verteidigen. Autoregressive Prognosemodelle funktionieren gut (im Sinne von statistisch gut) bei solchen Reihen, davon können Sie sich überzeugen.
Korrelation, genaue Korrelation.
J. Forsyth. Machine Methods for Mathematical Computing
Knuth D.E. The Art of Programming. Vol. 2, so scheint es.
Im Allgemeinen sind Standard-Zufallsgeneratoren seit langem als ungeeignet erkannt worden, wenn es notwendig ist, eigene zu schreiben.
an D.Will
Die Art und Weise, wie Sie eine Zufallsreihe erzeugen, ähnelt dem Algorithmus
für linear kongruente Generatoren. Es ist seit langem erwiesen, dass dieser Algorithmus (und seine
verschiedene Modifikationen) bildet alles andere als eine zufällige Reihe. Diese
betrifft die Erzeugung einer Sequenz "als Ganzes" und den Zufallsdatengenerator selbst. Mehr
Außerdem kann der Computer nur eine einzige Sache tun - nämlich einen Zufallswert erzeugen
Serie. Vielversprechend in dieser Richtung ist der Einsatz von neuronalen Netzen und
die Leute schaffen es, sozusagen "maximal beweisbar" zu werden
Zufallsvariablen" und verteidigen dabei allerlei kluge Doktorarbeiten. Bei solchen
autoregressive Modelle funktionieren gut (im Sinne von statistisch gut).
Vorhersagen, können Sie es selbst ausprobieren.
Haben Sie einen Link? Sie müssen über neuronale Netze mit chaotischem Verhalten verfügen.
Autoregressive, die y(n+1)=a0*y(n)+b.noise. ? wie genau sind sie gut?
y(n+1)=a0*y(n)+a1*y(n-1) .... a5*y(n-5) + b.noise ergibt ein lineares neuron + noise. was ist daran gut?
Bedeutet Ihre Aussage übrigens, dass der oben beschriebene Prozess vorhergesagt werden kann?
Ich meinte eigentlich folgendes, ich nehme an, dass k die Anzahl der Zyklen ist:
i1 = fix(rand*N)+1
k=fix(rand*100000)+1
für j=1:1:k
Rand;
Ende
i2 = fix(rand*N)+1
c=r(i1);
r(i1)=r(i2);
r(i2)=c;
Ende;
an D.Will
Die Art und Weise, wie Sie eine Zufallsreihe erzeugen, ähnelt dem Algorithmus
für linear kongruente Generatoren. Es ist seit langem erwiesen, dass dieser Algorithmus (und seine
verschiedene Modifikationen) bildet alles andere als eine zufällige Reihe. Diese
betrifft die Erzeugung einer Sequenz "als Ganzes" und den Zufallsdatengenerator selbst. Mehr
Außerdem kann der Computer nur eine einzige Sache tun - nämlich einen Zufallswert erzeugen
Serie. Vielversprechend in dieser Richtung ist der Einsatz von neuronalen Netzen und
die Leute schaffen es, sozusagen "maximal beweisbar" zu werden
Zufallsvariablen" und verteidigen dabei allerlei kluge Doktorarbeiten. Bei solchen
autoregressive Modelle funktionieren gut (im Sinne von statistisch gut).
Vorhersagen, können Sie es selbst ausprobieren.
Haben Sie einen Link? Es muss sich um neuronale Netze mit chaotischem Verhalten handeln.
Autoregressive, die y(n+1)=a0*y(n)+b.noise. ? wie genau sind sie gut?
y(n+1)=a0*y(n)+a1*y(n-1) .... a5*y(n-5) + b.noise ergibt ein lineares neuron + noise. was ist daran gut?
Bedeutet Ihre Aussage übrigens, dass der oben beschriebene Prozess vorhergesagt werden kann?
Ich bekam das Material zum Kennenlernen, das heißt in die Hände. Aber es ist nicht, weil alles geheim ist, ich denke, es ist möglich, im Internet zu finden.
Ich dachte, ich hätte klar und deutlich geschrieben:"Autoregressive Vorhersagemodelle funktionieren gut (im Sinne von statistisch gut) bei solchen Reihen, das können Sie selbst ausprobieren".
Nochmals. Sehr gut (statistisch) vorhergesagt durch AR-Modelle, versuchen Sie, sich selbst zu überzeugen. Meiner bescheidenen Meinung nach - ein Almosen für Ihre Generation. Ist das ein Modell? Sie selbst haben zu Recht darauf hingewiesen, dass es sich nicht um ein Modell handelt. Erstellen Sie zunächst ein Modell. Erfinden Sie zunächst einfach eine Bedingung, die garantiert, dass der "Preis" unter keiner Anfangsbedingung negativ ist - Sie werden verstehen, dass es nicht so einfach ist. Und untersuchen Sie es, und was Sie jetzt tun, ist im wahrsten Sinne des Wortes Blödsinn. Es gibt eine Vielzahl von Prozessen, sowohl natürliche als auch technische, die Zitaten ähneln. Sie können leicht eine Reihe von PIs erhalten, die Kursen mit Fibo, Levels und anderen Attributen ähneln.
PS: Wenn Sie den Gnomon des Phänomens finden wollen, dann - fractals!!!!. :о)