Marktphänomene - Seite 29
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 versucht, (18) aus [url=https://www.mql5.com/ru/articles/250]-"Universal regression model for market price prediction"[/url] als Basisfunktion zu verwenden. Sie beschreibt zufriedenstellend Abhängigkeiten, die künstlich aus verschiedenen Funktionen in allen möglichen Kombinationen konstruiert werden, einschließlich Summen, Produkte, Logarithmen, Potenzen, Exponentialfunktionen usw.
Ich bin mit der Formel (18) vertraut. Ich glaube, Sie übersehen, dass ich nicht an einem a priori Wissen über Basisfunktionen interessiert bin. Es ist mir egal, ob die Basisfunktion so mächtig und universell ist, dass sie jeden Prozess in der Welt beschreiben kann. Ich möchte einen Algorithmus zur automatischen Bestimmung von Basisfunktionen aus den Zeitreihen selbst finden. Dabei ist zu beachten, dass es sich nicht um universelle Basisfunktionen handelt, sondern um die für die jeweilige Zeitreihe spezifischen Funktionen. Denken Sie an die Analogie zur Sprache. Sie kann auch durch verschiedene universelle Basisfunktionen beschrieben werden, einschließlich (18). All dies würde jedoch zu einer ungenauen Sprachdekodierung führen. Die Verwendung englischer Phoneme zur Dekodierung chinesischer Sprache würde ebenfalls zu schlechten Ergebnissen führen. Für jeden Prozess muss es verschiedene "Phoneme" geben.
Es gibt eine Universalpille - genetische Algorithmen. Wenn nichts (oder fast nichts) über den Prozess bekannt ist und man trotzdem nachforschen muss, um ein Ergebnis zu erhalten, lohnt es sich zumindest, GAs überhaupt auszuprobieren.
Das wird wahrscheinlich funktionieren.
Ich bin mit der Formel (18) vertraut. Ich glaube, Sie haben nicht verstanden, dass ich nicht an a priori Wissen über Basisfunktionen interessiert bin. Es ist mir egal, ob die Basisfunktion so mächtig und universell ist, dass sie jeden Prozess in der Welt beschreiben kann. Ich möchte einen Algorithmus zur automatischen Bestimmung von Basisfunktionen aus den Zeitreihen selbst finden. Dabei ist zu beachten, dass es sich nicht um universelle Basisfunktionen handelt, sondern um die für die jeweilige Zeitreihe spezifischen Funktionen. Denken Sie an die Analogie zur Sprache. Sie kann auch durch verschiedene universelle Basisfunktionen beschrieben werden, einschließlich (18). All dies würde jedoch zu einer ungenauen Sprachdekodierung führen. Die Verwendung englischer Phoneme zur Dekodierung chinesischer Sprache würde ebenfalls zu schlechten Ergebnissen führen. Für jeden Prozess muss es ein anderes "Phonem" geben.
Mein Interesse an diesen Strukturen rührt von einer praktischeren Anwendung her als der Vorhersage von Marktpreisen. Ich interessiere mich jetzt mehr für die Entwicklung von schnellen Spracherkennungssystemen. ... Bei der Preisvorhersage geht es um die Vorhersage künftiger Phoneme (Strukturen). Aber daran bin ich nicht interessiert. Ich interessiere mich für das Erkennen vergangener und gegenwärtiger Phoneme (Strukturen). Um dies zu erreichen, sollte man ein Wörterbuch dieser Phoneme haben und die Sprache mit diesen bekannten Phonemen in Beziehung setzen (natürlich vereinfacht)...
Vladimir, IMHO ist diese Aufgabe in diesem Stadium nicht durchführbar. Um die schöne Parallele zur Spracherkennung fortzusetzen, sei darauf hingewiesen, dass jedes Tool auf dem Markt eine eigene Sprache ist und je nach Tageszeit, Jahreszeit, Nachrichten usw. verschiedene Dialekte untergemischt werden. Stellen Sie sich vor, Sie haben einen Satz von Phonemen für das Englische und müssen das Gebrabbel eines betrunkenen irischen Hafenarbeiters erkennen (oder nicht irisch, um die Iren nicht zu beleidigen ;-) ). Die Spracherkennungstechnologie ist noch nicht so weit entwickelt. Und der Markt ist nicht einfacher.
In vereinfachter Form kann das Vokabular der Marktphoneme nur von Marktteilnehmern bezogen werden - und das werden die Zahlen, Fibo-Levels, etc. sein, über die in vielen Büchern geschrieben wird. Eine klarere Beschreibung, insbesondere mit Angabe der Art der Basisfunktionen, ist nicht möglich.
Ich bin mit der Formel (18) vertraut. Ich glaube, Sie übersehen, dass ich nicht an einem a priori Wissen über Basisfunktionen interessiert bin. Es ist mir egal, ob die Basisfunktion so mächtig und universell ist, dass sie jeden Prozess in der Welt beschreiben kann. Ich möchte einen Algorithmus zur automatischen Bestimmung von Basisfunktionen aus den Zeitreihen selbst finden. Dabei ist zu beachten, dass es sich nicht um universelle Basisfunktionen handelt, sondern um die für die jeweilige Zeitreihe spezifischen Funktionen. Denken Sie an die Analogie zur Sprache. Sie kann auch durch verschiedene universelle Basisfunktionen beschrieben werden, einschließlich (18). All dies würde jedoch zu einer ungenauen Sprachdekodierung führen. Die Verwendung englischer Phoneme zur Dekodierung chinesischer Sprache würde ebenfalls zu schlechten Ergebnissen führen. Für jeden Prozess muss es verschiedene "Phoneme" geben.
googeln Sie "atomare Zerlegung durch Basisverfolgung" ?
Ich stimme zu. Es gibt viele verschiedene Begriffe: Phoneme, Strukturen, Muster, Wavelets, Basisfunktionen. Mir gefällt der Begriff Basisfunktionen besser. Ich interessiere mich für folgende Frage: Wie kann man die Basisfunktionen automatisch bestimmen, wenn man eine Zeitreihe kennt? Natürlich kann man diese Reihe visuell untersuchen und Dreiecke, Fahnen und andere schöne Formen finden. Aber niemand hat bisher bewiesen, dass diese Muster statistisch bedeutsam und nicht nur ein Produkt der Phantasie sind. Erinnern Sie sich wie in der Anekdote:
Der Psychiater zeigt dem Patienten verschiedene Bilder und fragt: "Was sehen Sie darauf?" Und der Patient sagt: "Einen Mann und eine Frau beim Sex." "Sie sind eine Art Lüstling", sagt der Arzt. Und der Patient sagt: "Nun, du hast mir diese anzüglichen Bilder selbst gezeigt."
Die automatische Identifizierung statistisch wichtiger Basisfunktionen ist ein komplizierter Prozess, und ich glaube nicht, dass jemand herausgefunden hat, wie man das richtig macht, selbst mit neuronalen Netzen. Natürlich können wir die Aufgabe vereinfachen und im Voraus davon ausgehen, dass die Zeitreihe in Haar-Wavelets, trigonometrische Funktionen wie in Fourier-Reihen oder andere Basisfunktionen, die häufig in der Regression verwendet werden, unterteilt ist. Und alle diese Basisfunktionen werden unsere Reihen erfolgreich reproduzieren, egal ob es sich um eine Preisreihe oder eine Sprachreihe handelt. Aber stellen Sie sich vor, wir zerlegen die Sprache in Haar-Wavelets - die haben nichts mit Phonemen zu tun. Genauso wenig sinnvoll wäre es, eine Preisreihe in Haar-Wavelets oder trigonometrische Funktionen zu zerlegen. An dieser Stelle sei das Compressive Sensing erwähnt, bei dem es im Wesentlichen darum geht, ein Signal mit einer möglichst kleinen Anzahl von Basisfunktionen zu beschreiben. Obwohl es viele Algorithmen dieser Methode gibt, setzen sie alle voraus, dass wir die Basisfunktionen kennen. Wenn Sie Ideen für den Algorithmus zur Ermittlung von Basisfunktionen aus den Preisreihen haben, teilen Sie diese bitte mit.
googeln Sie "atomare Zerlegung durch Basisverfolgung" ?
Danke. Ich habe recherchiert - diese Methode gehört zur komprimierten Abtastung. Sie setzt voraus, dass die Basisfunktionen bekannt sind. Meine Aufgabe besteht nicht nur darin, die entspannteste Darstellung des Signals als Linearkombination von Basisfunktionen zu finden, sondern auch die für dieses Signal spezifischen Basisfunktionen selbst.
Vladimir, IMHO, ist dies in diesem Stadium eine unmögliche Aufgabe. Um bei der schönen Parallele zur Spracherkennung zu bleiben: Jedes Tool auf dem Markt ist eine eigene Sprache, und je nach Tageszeit, Jahreszeit, Nachrichten usw. mischen sich verschiedene Dialekte darunter. Stellen Sie sich vor, Sie haben einen Satz von Phonemen für das Englische und müssen das Gebrabbel eines betrunkenen irischen Hafenarbeiters erkennen (oder nicht irisch, um die Iren nicht zu beleidigen ;-) ). Die Spracherkennungstechnologie ist noch nicht so weit entwickelt. Und der Markt ist nicht einfacher.
Ihre Überlegungen sind alle sehr richtig. Der Markt spricht in der Tat in verschiedenen Dialekten, in unterschiedlicher Geschwindigkeit, mit unterschiedlicher Lautstärke, mit unterschiedlichen Verzerrungen usw., je nach Zeit. Es scheint mir also, dass Phoneme nur durch nicht-lineare Transformationen der Sprache gefunden werden können. Das Gleiche gilt für die Suche nach Mustern in den Marktpreisen. Bis jetzt glaube ich nicht, dass es so weit ist. Zunächst interessiert mich eine Frage: Wenn man ein Signal nimmt, von dem man im Voraus weiß, dass es aus einer Linearkombination einer endlichen Anzahl unbekannter Basisfunktionen besteht, ist es dann möglich, diese Basisfunktionen und Koeffizienten dieser linearen Zerlegung zu finden?
Dieser Gedankengang liegt mir nahe (ich meine, Analogien mit Sprache). Und es wurde bereits viel in dieser Richtung getan, Sie können sich in Artikeln inspirieren lassen. Es ist notwendig, eine Zeitreihe in eine begrenzte Anzahl von Zuständen zu quantisieren, die Punkte in kompakten Regionen des Raums sind. In Analogie zu Aufgaben der Spracherkennung (Training neuronaler Netze für statistisch stabile Sequenzen von Phonemen und deren Kombinationen) untersuchen wir dann wiederkehrende Sequenzen von Zuständen. Für den ersten Teil des Problems eignet sich ein selbstorganisierendes Netz, für den zweiten - ein mehrschichtiges Netz. Ich habe in diesem Thema ein Beispiel dafür gegeben: https://forum.mql4.com/ru/40561/page5.
Ich danke Ihnen. Ich werde in aller Ruhe über SOM nachdenken.
Das gefällt mir jetzt schon... Sergei, was sind die wichtigsten physikalischen Prinzipien hinter dem Radio (Telegraf usw.)?
Die Frage hat mich verblüfft!)
Nicht der Inhalt, sondern die Tatsache, dass er erscheint.
Alle grundlegenden Prinzipien können leicht aus dem Internet entnommen werden (einige sogar aus den Lehrplänen der Schulen).
Es ist etwas komplizierter als das.
In der Anwendung auf den Markt können viele Dinge verwendet werden, da die Kurse dem Signal sehr ähnlich sind.
Daher kann man versuchen, die aus der Radio- und Tontechnik usw. bekannten Verarbeitungsmethoden auf sie anzuwenden.
Details - eher nicht für diesen Thread, sondern als Referenz:
http://nice.artip.ru/?id=doc&a=doc68