Yo, en cambio, he utilizado dividir la suma por N. En este caso, todas las sumas cruzadas desaparecen y las fórmulas son muy compactas.
Esto puede estar justificado. La estimación está sesgada, pero si no se trabaja con LRs muy cortos, la precisión es adecuada.
¿Compensación en relación con qué? ¿A la definición clásica? ¿O a una distribución normal? En mi opinión no hay diferencia, ni con N pequeño, ni con N grande.
ANG3110: Si le interesa, aquí tiene un indicador de regresión lineal sin ciclos. Cuenta la regresión de un gran número de barras, en una fracción de segundo.
Sí, está muy cerca de MovingLR_2, el ciclo por historia (con la coloración de las subidas y bajadas comentada) es de 1219 mseg, pero MovingLR_2 (con el cálculo A añadido) es de 1078.
lna01: Esto puede estar justificado. La estimación está sesgada, pero si no se trabaja con LRs muy cortos, la precisión es adecuada.
¿Compensación en relación con qué? ¿A la definición clásica? ¿O a una distribución normal? En mi opinión no hay diferencia, ni con N pequeño, ni con N grande.
Está sesgada en relación con la verdadera. En concreto, su RMS está subestimado.
P.D. Pero con respecto a los gráficos de precios esto es irrelevante, por lo que he estado de acuerdo más arriba en que dicha simplificación está justificada
ANG3110: Si está interesado, aquí está el indicador de regresión lineal sin ciclos. Cuenta la regresión de un gran número de barras, en una fracción de segundo.
Sí, está muy cerca de MovingLR_2, el ciclo histórico (con la coloración de las subidas/bajadas comentada) obtiene 1219 mseg, pero MovingLR_2 (con el cálculo A añadido) obtuvo 1078.
Si desactiva la coloración, cuenta 1,5 veces más rápido. Acceder a las matrices lleva mucho tiempo. Y si necesitas un récord de velocidad como ese, podrías usar otros trucos. Pero no recibiré una bonificación por ello.
Por cierto, he mirado brevemente en el código de MovingLR_2, y no vi ninguna función interesante para medir la velocidad de la tendencia - es posible construir la función de ángulo en este caso. En cambio, en_LR0 se calculan en cada barra. Significa que puedes calcular el RMS en cada barra. Y MovingLR_2 no mostrará una regresión lineal pura, sino algo parecido. Cuando sólo se trata de la posición del extremo, no es muy importante, pero hay casos en los que se necesita una regresión lineal exacta.
ANG3110 писал (а): No he visto el cálculo de los coeficientes de línea a y b
Los valores k a y b pueden calcularse directamente mediante la fórmula LR = (3*LW - 2*S) MA. Entonces, siempre que el número de barra i sea la barra "actual", es decir, la última barra de la línea de regresión actual:
LR(Bar i) = a*i + b LR(Bar i-1) = a*(i-1) + b
De donde
a = LR(Bar i) - LR(Bar i-1) b = LR(Bar i) - a*i
¿O he hecho algo mal? Por supuesto, a y b dependen de i, como debe ser.
¿O he hecho algo mal? Por supuesto, a y b dependen de i, como debe ser.
Por supuesto que sí. No se puede pensar así. a y b son una función de la desviación mínima al cuadrado a lo largo de todo el periodo. a es el ángulo de inclinación de la línea a lo largo de todo el período. Y el incremento en la posición final de la LR, no dará el ángulo de toda la regresión, sino sólo el cambio en el coeficiente b, que por cierto es la coordenada de la posición final de la línea.
Si desactiva la coloración, cuenta 1,5 veces más rápido. Se necesita mucho tiempo para acceder a las matrices.
Por eso lo desactivé para la prueba: las cifras son para la coloración desactivada.
Y si necesitas cálculos de tipo récord de velocidad, puedes utilizar otros trucos.
De hecho, los algoritmos son muy parecidos. En at_LR0 se pueden manejar los índices con un poco más de moderación. Además, he utilizado el puntero en bucle, en realidad la principal motivación para la comparación de la velocidad era evaluar su eficiencia.
Por cierto, he echado un vistazo al código de MovingLR_2 y no he visto ningún cálculo de los coeficientes de las líneas a y b,
...
Y MovingLR_2 no hace una regresión lineal pura. Cuando sólo se dibuja la posición final, no es un gran problema, pero hay casos en los que se necesita una regresión lineal totalmente precisa.
En estas líneas se calculan los coeficientes de línea a y b. A = (SumXY - N3*SumY)*N4; B = (N1*SumY - SumXY)*N2; Para ilustrar, adjunto la versión MovingLR_2, que sólo dibuja la regresión lineal actual. Sobre todo, porque hubo un error en la anterior, al calcular N4 :)
MovingLR_2 da una regresión lineal pura y es bastante fácil asegurarse de ello. En at_LR0 hay inexactitud de cambio de periodo en horas a periodo en barras. Si sustituimos Close por (High+Low)/2 y tomamos un periodo de 1 en at_LR0 y especificamos periodo no 60 sino 61 en MovingLR_2 y lo aplicamos al gráfico de minutos, los resultados serán absolutamente coincidentes.
P.D. Por cierto, Mathemat, at_LR0 es un buen ejemplo de cómo calcular la barra de cero en este tipo de algoritmos
Para iniciar sesión y usar el sitio web MQL5.com es necesario permitir el uso de Сookies.
Por favor, active este ajuste en su navegador, de lo contrario, no podrá iniciar sesión.
Ha iniciado sesión. La autenticación de dos factores se ha desactivado. Vuelva a configurarla y escanee un nuevo código QR, o continúe con la autenticación de dos factores desactivada.
Yo, en cambio, he utilizado dividir la suma por N. En este caso, todas las sumas cruzadas desaparecen y las fórmulas son muy compactas.
¿Compensación en relación con qué? ¿A la definición clásica? ¿O a una distribución normal? En mi opinión no hay diferencia, ni con N pequeño, ni con N grande.
Es sólo para los fieles participantes de este tema o otros (me refiero a mí) pueden unirse ...(conseguir un traje).
Si le interesa, aquí tiene un indicador de regresión lineal sin ciclos. Cuenta la regresión de un gran número de barras, en una fracción de segundo.
Y es sólo para los miembros dedicados a este tema o otros (me refiero a mí) pueden unirse ...(conseguir un traje).
Muchas gracias... Es muy agradable tener esa actitud... Ya la tengo y la estoy estudiando.
Esto puede estar justificado. La estimación está sesgada, pero si no se trabaja con LRs muy cortos, la precisión es adecuada.
¿Compensación en relación con qué? ¿A la definición clásica? ¿O a una distribución normal? En mi opinión no hay diferencia, ni con N pequeño, ni con N grande.
P.D. Pero con respecto a los gráficos de precios esto es irrelevante, por lo que he estado de acuerdo más arriba en que dicha simplificación está justificada
Si está interesado, aquí está el indicador de regresión lineal sin ciclos. Cuenta la regresión de un gran número de barras, en una fracción de segundo.
Si desactiva la coloración, cuenta 1,5 veces más rápido. Acceder a las matrices lleva mucho tiempo. Y si necesitas un récord de velocidad como ese, podrías usar otros trucos. Pero no recibiré una bonificación por ello.
Por cierto, he mirado brevemente en el código de MovingLR_2, y no vi ninguna función interesante para medir la velocidad de la tendencia - es posible construir la función de ángulo en este caso. En cambio, en_LR0 se calculan en cada barra. Significa que puedes calcular el RMS en cada barra. Y MovingLR_2 no mostrará una regresión lineal pura, sino algo parecido. Cuando sólo se trata de la posición del extremo, no es muy importante, pero hay casos en los que se necesita una regresión lineal exacta.
LR(Bar i) = a*i + b
LR(Bar i-1) = a*(i-1) + b
De donde
a = LR(Bar i) - LR(Bar i-1)
b = LR(Bar i) - a*i
¿O he hecho algo mal? Por supuesto, a y b dependen de i, como debe ser.
¿O he hecho algo mal?
¿Todavía estás despierto...?
¿O he hecho algo mal? Por supuesto, a y b dependen de i, como debe ser.
Por supuesto que sí. No se puede pensar así. a y b son una función de la desviación mínima al cuadrado a lo largo de todo el periodo. a es el ángulo de inclinación de la línea a lo largo de todo el período. Y el incremento en la posición final de la LR, no dará el ángulo de toda la regresión, sino sólo el cambio en el coeficiente b, que por cierto es la coordenada de la posición final de la línea.
Si desactiva la coloración, cuenta 1,5 veces más rápido. Se necesita mucho tiempo para acceder a las matrices.
Y si necesitas cálculos de tipo récord de velocidad, puedes utilizar otros trucos.
Por cierto, he echado un vistazo al código de MovingLR_2 y no he visto ningún cálculo de los coeficientes de las líneas a y b,
...
Y MovingLR_2 no hace una regresión lineal pura. Cuando sólo se dibuja la posición final, no es un gran problema, pero hay casos en los que se necesita una regresión lineal totalmente precisa.
A = (SumXY - N3*SumY)*N4;
B = (N1*SumY - SumXY)*N2;
Para ilustrar, adjunto la versión MovingLR_2, que sólo dibuja la regresión lineal actual. Sobre todo, porque hubo un error en la anterior, al calcular N4 :)
MovingLR_2 da una regresión lineal pura y es bastante fácil asegurarse de ello. En at_LR0 hay inexactitud de cambio de periodo en horas a periodo en barras. Si sustituimos Close por (High+Low)/2 y tomamos un periodo de 1 en at_LR0 y especificamos periodo no 60 sino 61 en MovingLR_2 y lo aplicamos al gráfico de minutos, los resultados serán absolutamente coincidentes.
P.D. Por cierto, Mathemat, at_LR0 es un buen ejemplo de cómo calcular la barra de cero en este tipo de algoritmos