Diskussion zum Artikel "Mustererkennung mit dynamischer Zeitnormierung in MQL5"
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
Neuer Artikel Mustererkennung mit dynamischer Zeitnormierung in MQL5 :
In diesem Artikel erörtern wir das Konzept der dynamischen Zeitnormierung als Mittel zur Ermittlung von Vorhersagemustern in Finanzzeitreihen. Wir werden uns ansehen, wie es funktioniert, und seine Implementierung in reinem MQL5 vorstellen.
Die dynamisches Zeitnormierung (Dynamic Time Warping) ist ein hochentwickelter Algorithmus zur Messung der Ähnlichkeit zwischen zwei Datenfolgen, die sich im Laufe der Zeit entwickeln, auch wenn ihre Geschwindigkeit oder ihr Rhythmus variieren. Im Gegensatz zu herkömmlichen Methoden, die eine strikte Ausrichtung zwischen den Datenpunkten erfordern, bietet DTW einen flexibleren Ansatz, indem es eine Verzerrung oder Dehnung der Zeit zulässt, um die optimale Übereinstimmung zwischen den Sequenzen zu finden. Stellen Sie sich zwei Personen vor, die auf unterschiedlichen Wegen durch einen Wald gehen. Sie beginnen beide am selben Ort und enden am selben Ort, aber der eine geht vielleicht schneller als der andere und macht aus irgendeinem Grund willkürlich Halt. DTW hilft dabei, den besten Weg zu finden, um die Schritte beider zu verbinden, auch wenn sie unterschiedliche Wege gegangen sind. DTW kann Unterschiede in der Gehgeschwindigkeit, der Beschleunigung oder der Verlangsamung effektiv berücksichtigen und liefert ein Maß für die Ähnlichkeit. Diese Vielseitigkeit macht es für eine breite Palette von Datentypen, einschließlich Audio, Video und Grafik, einsetzbar. Alle Daten, die in ein sequentielles Format umgewandelt werden können, sind potenzielle Kandidaten für eine DTW-Analyse.
Autor: Francis Dube