Predicción del futuro con transformadas de Fourier - página 45
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Estoy de acuerdo. Pero las redes neuronales tienen formas de evitar ajustarse a la historia, aunque ahí también hay complicaciones. Pero con Fourier, casi no hay manera de identificar los armónicos o las armónicas que serán rentables en el futuro - esa es la dificultad de aplicar Fourier a los mercados financieros.
Es decir, se pueden hacer estos cálculos, como descomponer los datos en armónicos, ajustar amplitudes, fases, sumar, sólo que en lugar de ello se pueden calcular coeficientes para calcular el resultado como en los indicadores FATL, SATL - sólo multiplicando los precios por los coeficientes y sumando.
De acuerdo. Pero las redes neuronales tienen formas de evitar ajustarse a la historia, aunque ahí también hay algunas dificultades. Pero con Fourier, casi no hay manera de identificar los armónicos o las armónicas que serán rentables en el futuro - esa es la dificultad de aplicar Fourier en los mercados financieros.
Con cualquier sistema, debe hacer una comprobación de ajuste, haga una prueba de comprobación en la siguiente sección después de la optimización. Lo mismo ocurre. Con una red: entrenar la red, probarla. Con cualquier otro sistema - optimice, compruebe la prueba más allá del período de optimización.
La forma de determinar el armónico es optimizar en un probador.
Con cualquier sistema, debe hacer una comprobación de ajuste, haga una prueba de comprobación en la siguiente sección después de la optimización. Lo mismo ocurre. Con una red: entrenar la red, probarla. Con cualquier otro sistema - optimice, compruebe la prueba más allá del período de optimización.
La forma de determinar el armónico es optimizar en un probador.
Pues bien, Fourier no dispone de tal método de determinación: o bien lo adivina con los posos del café o bien con un dedo en el cielo, porque todo descansa en la elección, concretamente en la elección de los armónicos. Por eso, Fourier no ha encontrado su aplicación en las redes de aletas.
La optimización en el probador de Fourier es, en realidad, una elección de armónicos por márgenes de beneficio en datos pasados, pero no una elección por márgenes de beneficio futuros.
No hay ningún probador que compruebe los armónicos por el hecho de encajar. En MT4 - esto es poco realista de hacer.
Los coeficientes no tienen que ser constantes... Puedo construir un modelo, utilizarlo para calcular la característica de transferencia del filtro con las características y los parámetros de adaptación requeridos, pasar (Fourier/Laplace -> Transformación Z) al dominio discreto, convertir la característica de transferencia en una ecuación en diferencias y luego... beneficio!)
Bien, lo tengo. Esto ya es un clásico DSP.
Fourier no tiene esa forma de definirlo - es una suposición de hoja de café o un dedo en el cielo, porque todo se reduce a la elección, concretamente en la elección de los armónicos. Por eso, Fourier no ha encontrado su aplicación en las redes de aletas.
La optimización en un probador es una elección de armónicos por la magnitud del beneficio en los datos pasados, pero no una elección para obtener beneficios en el futuro.
No hay ningún probador que compruebe los armónicos por el hecho de encajar. En MT4 - esto es poco realista de hacer.
De forma realista. No es fundamentalmente diferente de probar una red neuronal entrenándola. Al final nos interesa el beneficio. Por ganancia y ver si el sistema hace un beneficio en la sección siguiente a la sección de optimización.
Bien, lo tengo. Esto ya es un clásico DSP.
Hay un matiz más aquí. Cuanto mayor sea el siguiente segmento después de la optimización, mayor será la probabilidad de que los armónicos encontrados queden rápidamente obsoletos (dejen de aportar beneficios) en los datos futuros. La reducción de esta sección hace que la prueba no sea fiable.
Hay otro matiz aquí. Cuanto más grande sea la siguiente sección después de la optimización, más probable será que los armónicos encontrados se vuelvan rápidamente obsoletos (dejen de dar beneficios) en los datos futuros. Reduciendo este segmento - obtenemos la falta de fiabilidad de la verificación.
¿No hay ese problema con las redes neuronales?
Sí, lo hay. Pero hay algunas regularidades que se pueden notar al entrenar una red, y algunas técnicas de entrenamiento que permiten prescindir incluso de una prueba de avance. No conozco a Fourier y no he oído hablar de él.