Prédire l'avenir avec les transformées de Fourier - page 45
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 suis d'accord. Mais les réseaux neuronaux ont des moyens d'éviter de s'adapter à l'histoire, bien qu'il y ait là aussi des complications. Mais avec Fourier, il n'y a pratiquement aucun moyen d'identifier les harmoniques ou les harmoniques qui seront rentables à l'avenir - c'est la difficulté d'appliquer Fourier aux marchés financiers.
C'est-à-dire que vous pouvez faire ces calculs, comme décomposer les données en harmoniques, ajuster les amplitudes, les phases, additionner, mais au lieu de cela vous pouvez calculer des coefficients pour calculer le résultat comme dans les indicateurs FATL, SATL - il suffit de multiplier les prix par les coefficients et d'additionner.
D'accord. Mais les réseaux neuronaux ont des moyens d'éviter de s'adapter à l'histoire, bien qu'il y ait là aussi quelques difficultés. Mais avec Fourier, il n'y a pratiquement aucun moyen d'identifier les harmoniques ou les harmoniques qui seront rentables à l'avenir - c'est la difficulté d'appliquer Fourier aux marchés financiers.
Avec n'importe quel système, vous devriez faire un contrôle d'ajustement, faire un test de contrôle dans la section suivante après l'optimisation. Il en va de même. Avec un réseau - former le réseau, le tester. Avec tout autre système - optimiser, vérifier, tester au-delà de la période d'optimisation.
La façon de déterminer l'harmonique est d'optimiser dans un testeur.
Avec n'importe quel système, vous devez faire un contrôle d'ajustement, faire un test de contrôle dans la section suivante après l'optimisation. Il en va de même. Avec un réseau - former le réseau, le tester. Avec tout autre système - optimiser, vérifier, tester au-delà de la période d'optimisation.
La façon de déterminer l'harmonique est d'optimiser dans un testeur.
Eh bien, Fourier ne dispose pas d'une telle méthode de détermination - il s'agit soit de deviner par le marc de café, soit d'un doigt dans le ciel, car tout repose sur le choix, à savoir sur le choix des harmoniques. C'est pourquoi Fourier n'a pas trouvé son application dans les finnets.
L'optimisation dans le testeur de Fourier est en fait un choix d'harmoniques par les marges bénéficiaires sur les données passées, mais pas un choix pour les marges bénéficiaires futures.
Il n'existe pas de testeur qui vérifie les harmoniques pour le fait de s'adapter. Dans MT4, il n'est pas réaliste de le faire.
Les coefficients ne doivent pas nécessairement être constants... Je peux construire un modèle, l'utiliser pour calculer la caractéristique de transfert du filtre avec les caractéristiques et les paramètres d'adaptation requis, passer (transformée de Fourier/Laplace -> Z) au domaine discret, convertir la caractéristique de transfert en une équation de différence, puis... profit !)
OK, je l'ai. Il s'agit déjà d'un DSP classique.
Fourier n'a aucun moyen de le définir - c'est soit une supposition de feuille de café, soit un doigt dans le ciel, car tout se résume à un choix, notamment dans le choix des harmoniques. C'est pourquoi Fourier n'a pas trouvé son application dans les finnets.
L'optimisation dans un testeur est un choix d'harmoniques par la magnitude du profit sur les données passées, mais pas un choix pour apporter du profit dans le futur.
Il n'existe pas de testeur qui vérifie les harmoniques pour le fait de s'adapter. Dans MT4, il n'est pas réaliste de le faire.
De manière réaliste. Ce n'est pas fondamentalement différent de tester un réseau neuronal en le formant. En fin de compte, c'est le profit qui nous intéresse. Par profit et voyez si le système fait un profit dans la section qui suit la section d'optimisation.
Ok, je l'ai. Il s'agit déjà d'un DSP classique.
Il y a une autre nuance. Plus le segment suivant l'optimisation est grand, plus la probabilité est grande que les harmoniques trouvées deviennent rapidement obsolètes (ne rapportent plus rien) sur les données futures. Réduire cette section entraîne un manque de fiabilité de l'essai.
Il y a une autre nuance ici. Plus la section suivante est grande après l'optimisation, plus il est probable que les harmoniques trouvées deviennent rapidement obsolètes (ne rapportent plus de bénéfices) sur les données futures. En réduisant ce segment, nous obtenons un manque de fiabilité de la vérification.
Pas de problème de ce genre avec les réseaux neuronaux ?
Si, il y en a un. Mais il existe certains modèles que l'on peut remarquer lors de la formation d'un réseau, et certaines techniques de formation qui permettent de se passer d'un test préalable. Je ne connais pas Fourier et je n'en ai pas entendu parler.