Le filtre étant non linéaire, la réponse impulsionnelle à différentes sections est différente. Par conséquent, il est préférable d'utiliser la déconvolution - une opération de convolution inverse sur la section nécessaire, à cette fin vous pouvez utiliser la bibliothèque ALGLIB.
Tracez le spectre de la réponse impulsionnelle obtenue. Un filtre idéal doit présenter une ligne verticale entre la suppression et la transmission.
Le filtre étant non linéaire, la réponse impulsionnelle à différentes sections est différente. Par conséquent, il est préférable d'utiliser la déconvolution - une opération de convolution inverse sur la section nécessaire, à cette fin vous pouvez utiliser la bibliothèque ALGLIB.
Tracez le spectre de la réponse impulsionnelle obtenue. Un filtre idéal devrait avoir une ligne verticale entre la suppression et la transmission.
Vous pouvez également l'observer. Je l'ai marqué pour moi-même, je le ferai, mais pas maintenant.
Alors pourquoi ne pas utiliser la méthode d'approximation locale https://chaos.phys.msu.ru/loskutov/PDF/Los_Kotl_Zhur.pdf ?
Elle permet non seulement de prédire les données, mais aussi de les filtrer. Et, théoriquement, un tel filtre ne devrait pas avoir de retard du tout !
L'idée est très similaire. Sauf qu'ici, il n'est pas nécessaire de passer d'un filtre à l'autre pour différentes parties de la série temporelle. Ici, nous recherchons des segments dans l'historique qui sont similaires aux derniers comptes de la série, puis ces segments trouvés sont moyennés sur l'ensemble. C'est le résultat du filtrage. L'essentiel est qu'il y ait suffisamment de données dans l'historique, sinon il n'y aura pas de tracés similaires.
Si vous n'avez pas de compte, veuillez vous inscrire
Autorisez l'utilisation de cookies pour vous connecter au site Web MQL5.com.
Veuillez activer les paramètres nécessaires dans votre navigateur, sinon vous ne pourrez pas vous connecter.
Vous êtes connecté. L'authentification à deux facteurs a été désactivée. Configurez-la à nouveau et scannez un nouveau code QR, ou continuez avec l'authentification à deux facteurs désactivée.
Le filtre étant non linéaire, la réponse impulsionnelle à différentes sections est différente. Par conséquent, il est préférable d'utiliser la déconvolution - une opération de convolution inverse sur la section nécessaire, à cette fin vous pouvez utiliser la bibliothèque ALGLIB.
Tracez le spectre de la réponse impulsionnelle obtenue. Un filtre idéal doit présenter une ligne verticale entre la suppression et la transmission.
Le filtre étant non linéaire, la réponse impulsionnelle à différentes sections est différente. Par conséquent, il est préférable d'utiliser la déconvolution - une opération de convolution inverse sur la section nécessaire, à cette fin vous pouvez utiliser la bibliothèque ALGLIB.
Tracez le spectre de la réponse impulsionnelle obtenue. Un filtre idéal devrait avoir une ligne verticale entre la suppression et la transmission.
Alors pourquoi ne pas utiliser la méthode d'approximation locale https://chaos.phys.msu.ru/loskutov/PDF/Los_Kotl_Zhur.pdf ?
Elle permet non seulement de prédire les données, mais aussi de les filtrer. Et, théoriquement, un tel filtre ne devrait pas avoir de retard du tout !L'idée est très similaire. Sauf qu'ici, il n'est pas nécessaire de passer d'un filtre à l'autre pour différentes parties de la série temporelle. Ici, nous recherchons des segments dans l'historique qui sont similaires aux derniers comptes de la série, puis ces segments trouvés sont moyennés sur l'ensemble. C'est le résultat du filtrage. L'essentiel est qu'il y ait suffisamment de données dans l'historique, sinon il n'y aura pas de tracés similaires.