La théorie des flux aléatoires et le FOREX - page 50
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Je ne voulais pas entrer dans une discussion, mais la définition de wikipedia du bruit stationnaire est la suivante :
Le bruit blanc est un bruit stationnaire dont les composantes spectrales sont uniformément réparties dans toute la gamme des fréquences concernées.
Je pense que la prévisibilité du signal n'en est pas encore sortie. Ou que vouliez-vous prédire ? En ce qui concerne le premier point (que nous avons affaire à un bruit blanc), je ne suis pas sûr que ce soit le cas.....
(Ceci n'est pas adressé aux "chumazik", mais en général).
C'est quoi ces putains de "fréquences" ? ! Quelles sont ces "fréquences" ? Qui a déterminé qu'il existe des "fréquences" ? Qui peut même prétendre qu'il existe une "onde sinusoïdale" ou un "groupe d'ondes sinusoïdales" ? Il y a là des CYCLES, mais les cycles ne sont pas nécessairement un SYNUSOÏDE, à propos duquel il est d'usage dans la science moderne de parler de "fréquence".
Tu vois ? En analysant mot par mot, vous pouvez constater par vous-même que des termes et des méthodes totalement inapplicables sont appliqués au trading NAOBUM.
Mais n'est-ce pas merveilleux ? ! Ainsi, un nouveau système de prévision fiable peut être créé.
(Ceci ne s'adresse pas à "l'homme qui pue", mais en général)
Quelles putains de "fréquences" ? ! Quelles sont ces "fréquences" ? Qui a déterminé qu'il existe des "fréquences" ? Qui peut même prétendre qu'il existe une "onde sinusoïdale" ou un "groupe d'ondes sinusoïdales" ? Il y a là des CYCLES, mais les cycles ne sont pas nécessairement un SYNUSOÏDE, à propos duquel il est d'usage dans la science moderne de parler de "fréquence".
Tu vois ? En analysant mot par mot, vous pouvez constater par vous-même que des termes et des méthodes totalement inapplicables sont appliqués au trading NAOBUM.
Mais ce n'est pas génial ! Il est donc possible de créer un nouveau système de prédiction fiable.
Fréquence, s'il vous plaît :) Prenez un morceau de série temporelle, faites une DFT et voyez les sinosités. Seulement ici, par exemple, ils écrivent que cela ne fonctionne pas de cette façon :
http://iticsoftware.com/articles/digital-filters-fatl-satl-stlm-ftlm-2.html
et la raison en est la non-stationnarité du flux des déviations des cotations par rapport à la moyenne mobile - wow ! Je ne suis pas entré dans les détails...
Fréquence - s'il vous plaît :) Prenez un morceau de série temporelle, faites une DFT et voyez les sinosités. Seulement ici, par exemple, ils écrivent que cela ne fonctionne pas de cette façon :
http://iticsoftware.com/articles/digital-filters-fatl-satl-stlm-ftlm-2.html
et la raison en est la non-stationnarité du flux des déviations des cotations par rapport à la moyenne mobile - wow ! Je ne suis pas entré dans les détails...
Ne faites pas l'idiot, Chumazik. Je peux "voir des sinusoïdes" avec un filtre photoshop ou autre, même dans la photo d'un Noir sur votre avatar. Mais cela ne signifie pas que l'image d'un nègre est COMPLÈTEMENT constituée d'une sorte de sinusoïde. Vous (et d'autres) avez un lien de causalité rompu entre les phénomènes : Vous pensez que si un filtre (comme le filtre de Fourier) peut interpoler un ensemble d'échantillons en utilisant des sinusoïdes, alors vous pensez que cela signifie que le processus en question est en fait généré par un groupe d'oscillations sinusoïdales et "consiste" en des sinusoïdes "et un ajout de bruit". Voyez-vous où se situe votre erreur ou dois-je vous expliquer plus en détail ? Il y avait un fil de discussion ici sur le forum qui parlait de l'erreur d'appliquer "Fourier" à tout et n'importe quoi :
https://forum.mql4.com/ru/19762/page29#174504
Ne fais pas l'idiot avec moi, Chumazik. Je peux "voir les ondes sinusoïdales" même dans la photo d'un Noir sur votre avatar si je le veux, en utilisant un filtre Photoshop ou autre. Mais cela ne signifie pas que l'image d'un nègre est COMPLÈTEMENT constituée d'une sorte de sinusoïde. Vous (et d'autres) avez un lien de causalité rompu entre les phénomènes : Vous pensez que si un filtre (comme le filtre de Fourier) peut interpoler un ensemble d'échantillons en utilisant des sinusoïdes, alors vous pensez que cela signifie que le processus en question est en fait généré par un groupe d'oscillations sinusoïdales et "consiste" en des sinusoïdes "et un ajout de bruit". Pouvez-vous voir où vous avez une erreur ou expliquer plus en détail. Il y avait un fil de discussion ici sur le forum qui parlait de l'erreur d'appliquer Fourier à tout et n'importe quoi.
En tant qu'intello d'un étudiant de PTU : je ne crois pas à l'analyse de Fourier pour les flux de citations pour certaines raisons. Je ne crois pas que les citations soient un bruit de fond. Si je n'ai pas été clair, veuillez accepter mille excuses.
P.S.
Si vous faites un nègre à partir de sinusoïdes, alors il est stupide de prétendre qu'il n'en est pas constitué :) Mais en fait, nous n'interpolons pas ici, nous extrapolons.
Je ne voulais pas entrer dans une discussion, mais la définition de wikipedia du bruit stationnaire est la suivante :
Le bruitstationnaire est un bruit qui se caractérise par la constance des paramètres moyens : intensité(puissance), distribution de l'intensité sur le spectre(densité spectrale) et fonction d'autocorrélation.
Le bruit stationnaire est un bruit dont les composantes spectrales sont uniformément réparties sur toute la gamme des fréquences concernées.
Je ne pense pas que la prévisibilité du signal en résulte encore. Ou que vouliez-vous prédire ? Et concernant la première thèse (que nous avons affaire à un bruit blanc), je ne suis pas sûr que ce soit le cas ......
En mathématiques, un processus stationnaire est un processus dont la moyenne et la covariance sont indépendantes du temps. C'est-à-dire que les deux paramètres de base sont costants.
L'exemple le plus simple : un processus avec une distribution normale N(0,1). Pour un tel processus, si x(t)=2, alors avec une probabilité de 97,5% x(t+1) sera inférieur à 2. C'est-à-dire que le processus va diminuer. Il n'est pas garanti, alors dans 97 cas sur 100, il le sera.
Un exemple plus complexe : le processus AR(1) x(t)=x(t-1)*a + s(t), où a<1 et s(t) est un processus stationnaire, un bruit avec quelques paramètres finis. Ce processus sera également stationnaire et ses paramètres pourront être calculés à partir des paramètres s(t) et a. Par conséquent, si ce processus s'est écarté de la moyenne, on peut toujours calculer quand il y retournera avec une probabilité donnée.
Mais si le paramètre a=1, alors nous obtenons une marche aléatoire, c'est-à-dire un processus non stationnaire, et il est impossible de prédire où il aboutira.
Naturellement, nous ne verrons jamais de bruit blanc en date réelle, tout comme nous ne verrons jamais un processus stationnaire réel, mais avec un certain degré d'hypothèse, nous pouvons supposer que le bruit est toujours blanc et que le processus est stationnaire.
Tout d'abord, vous ne savez pas ce que "stationnaire" est, parce que c'est un concept introduit dans la science moderne pour des phénomènes naturels complètement différents, et si vous commencez à entrer dans les détails de sa définition, vous rencontrerez chaque, je répète à chaque mot, divergence CARDINALE dans la définition de "stationnaire (bruit, processus)" à un phénomène aussi HUMAIN que le flux des prix des devises.
C'est la nouvelle. "Et les hommes ne le savent pas !". Ils se décernent des prix Nobel, ils ont inventé une science entière - l'économétrie. Si je vois quelqu'un, je ne manquerai pas de lui dire.
Tu as mangé beaucoup d'alcool français ou autre, tu es trop joyeux.
en vous liant à un endroit où vous montrez votre propre ignorance...
Vous faites tout un plat des multiples. Ce sont tous des multiples dans une série discrète, et celui qui a besoin de plus de multiples, va plus loin dans le graphique en tic-tac.
En mathématiques, un processus stationnaire est un processus dans lequel la moyenne et la covariance sont indépendantes du temps. C'est-à-dire que les deux paramètres principaux sont costants.
L'exemple le plus simple : un processus avec une distribution normale N(0,1). Pour un tel processus, si x(t)=2, alors avec une probabilité de 97,5% x(t+1) sera inférieur à 2. C'est-à-dire que le processus va diminuer. Il n'est pas garanti, alors dans 97 cas sur 100, il le sera.
Un exemple plus complexe : le processus AR(1) x(t)=x(t-1)*a + s(t), où a<1 et s(t) est un processus stationnaire, un bruit avec quelques paramètres finis. Ce processus sera également stationnaire et ses paramètres peuvent être calculés à partir des paramètres s(t) et a. Par conséquent, si ce processus s'est écarté de la moyenne, on peut toujours calculer quand il y retournera avec une probabilité donnée.
Mais si le paramètre a=1, alors nous obtenons une marche aléatoire, c'est-à-dire un processus non stationnaire, et il est impossible de prédire où il aboutira.
Naturellement, nous ne verrons jamais de bruit blanc en date réelle, tout comme nous ne verrons jamais un processus stationnaire réel, mais avec un certain degré d'hypothèse, nous pouvons supposer que le bruit est toujours blanc et que le processus est stationnaire.
Pas exactement, tous les processus ne sont pas caractérisés par une moyenne et une covariance. Votre première phrase décrit... Un processus stationnaire de covariance, qui est également stationnaire :)
http://books.google.de/books ?id=B8_1UBmqVUoC&pg=PA46&lpg=PA46&dq=process+mean+covariance&source=bl&ots=2nJH-s67AR&sig=J_QcD2llCaELbBgPt_THGGi8ZXM&hl=de&ei=ozNoSoaCOsOg_Aa__5yeCw&sa=X&oi=book_result&ct=result&resnum=6
Pas exactement, tous les processus ne sont pas caractérisés par une moyenne et une covariance. Votre première phrase décrit... Un processus stationnaire de covariance, qui est également stationnaire :)
C'est faiblement stationnaire, c'est largement stationnaire, c'est juste stationnaire. >> alors ?
En mathématiques, un processus stationnaire est un processus dans lequel la moyenne et la covariance sont indépendantes du temps. C'est-à-dire que les deux paramètres principaux sont costants.
L'exemple le plus simple : un processus avec une distribution normale N(0,1). Pour un tel processus, si x(t)=2, alors avec une probabilité de 97,5% x(t+1) sera inférieur à 2. C'est-à-dire que le processus va diminuer. Il n'est pas garanti, alors dans 97 cas sur 100, il le sera.
Un exemple plus complexe : le processus AR(1) x(t)=x(t-1)*a + s(t), où a<1 et s(t) est un processus stationnaire, un bruit avec quelques paramètres finis. Ce processus sera également stationnaire et ses paramètres peuvent être calculés à partir des paramètres s(t) et a. Par conséquent, si ce processus s'est écarté de la moyenne, on peut toujours calculer quand il y retournera avec une probabilité donnée.
Mais si le paramètre a=1, alors nous obtenons une marche aléatoire, c'est-à-dire un processus non stationnaire, et il est impossible de prédire où il aboutira.
Bien sûr, nous ne verrons jamais de bruit blanc dans la date réelle et nous ne verrons jamais un véritable processus stationnaire, mais avec quelques hypothèses, nous pouvons supposer que le bruit est toujours blanc et que le processus est stationnaire.
Je ne connais pas de processus "stationnaire" en mathématiques. Il existe des processus stationnaires RUNNING. Qu'est-ce que cela a à voir avec une série de prix en tick qui est générée par l'activité délibérée d'un groupe de personnes disparates regardant un graphique et prenant des décisions sur la base d'une fonction cible qui leur est communiquée par leurs supérieurs ? Qu'est-ce que cela a à voir avec le hasard ou le hasard stationnaire ? Qu'est-ce que cette stationnarité aléatoire a à voir avec nos cycles bien connus, dans lesquels la cyclicité n'existe pas et ne peut exister, car il ne s'agira plus d'un processus aléatoire ? Qu'est-ce que l'un a à voir avec l'autre ?