Les connaisseurs de Fourier... - page 9
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
C'est ceux qui n'appliquent pas Fourier).
la courbe en rouge dans l'image du bas est la transformée de Fourier et quelques autres fonctions...
En vert, les données brutes...
Le processus de transformation de Fourier nécessite une sélection de période pour obtenir un processus stable au point de départ temps[0]...
La transformée de Fourier n'a plus d'effet sur ce processus...
Et si vous alliez plus loin dans votre méthode et que vous décomposiez de la même manière le résidu entre la ligne rouge et la ligne verte ?
Je pense que c'est notre affaire.
https://www.mql5.com/go?link=http://dxdy.ru/topic54592.html
et mnc, et mmm pourraient être plus appropriés pour être remplacés par https://ru.wikipedia.org/wiki/Метод_максимального_правдоподобия .
qui pense à ça.
Je pense que c'est notre affaire.
https://www.mql5.com/go?link=http://dxdy.ru/topic54592.html
et mnc, et mmm pourraient être plus appropriés pour être remplacés par https://ru.wikipedia.org/wiki/Метод_максимального_правдоподобия .
Je vous le dis en toute confiance, MNC et MNM sont des cas particuliers de MMP.
J'ajouterai, également en toute confiance, que le LPI découle du LMP en supposant que l'erreur est gaussienne, tandis que le CMM découle du LMP en supposant que l'erreur est laplacée. Autrement dit, nous avons un problème de modélisation linéaire :
x[n] = SUM( a[i]*f[i][n] ) + e[n], n=1...N
ou
x[n] = y[n] + e[n], où y[n] = SUM( a[i]*f[i][n] ), n=1...N
où x[] est la donnée d'entrée, a[] sont les coefficients, f[][] sont les fonctions de régression et e[] est l'erreur du modèle. Par exemple, si f[i][n] = exp(j*2*pi*i*n/N), cette formule donne une série de Fourier. Si l'on suppose que l'erreur e[] est gaussienne, c'est-à-dire que P(e) ~ exp(-e^2/2/s^2), alors MMP conduit à MNC, c'est-à-dire à trouver les coefficients de a[] en minimisant la somme des carrés de l'erreur :
Obj Func = SUM(e[n]^2) = SUM( (x[n] - y[n])^2 ).
Si l'on suppose que l'erreur e[] est laplacéenne, c'est-à-dire que P(e) ~ exp(-|e|/s), alors MMM conduit à MNM, c'est-à-dire à trouver les coefficients de a[] en minimisant la somme des modules d'erreur :
Obj Func = SUM(|e[n]|) = SUM( |x[n] - y[n]| ).
Plus généralement, l'erreur peut être décrite par la distribution super-gaussienne P(e) ~ exp(-e^q). Pourquoi tout le monde choisit-il la distribution gaussienne ? Parce que l'ANC du modèle linéaire peut facilement être résolu en différenciant Obj Func et en égalisant le résultat à zéro. C'est de là que vient la méthode d'expansion des séries de Fourier. Essayez de différencier SUM( |x[n] - y[n]| ).
Alors quelle est la distribution d'erreur correcte ? Cela dépend de la nature du processus que nous modélisons avec notre modèle linéaire. Si vous en êtes sûr.
(1) les prix de change sont décrits par un modèle linéaire avec sinus et cosinus, et
(2) l'erreur du modèle doit obéir à la distribution de Laplace,
alors allez-y et minimisez SUM( |x[n] - y[n]| ). N'oubliez pas d'envoyer la candidature au Prix Fields au cours du processus.
N'oubliez pas d'envoyer une candidature au Prix Fields lorsque vous le ferez.
Les mathématiques sont le langage de la science. Elle n'est pas directement liée aux faits.
Mais les faits peuvent parfois être décrits de manière très précise dans le langage des mathématiques et appelés, disons, physique.
En résumé, il s'avère que la physique peut toujours être décrite par les mathématiques, mais que les mathématiques ne peuvent pas toujours être expliquées par la physique, n'est-ce pas ? Si c'est le cas, alors les mathématiques, en tant que reine des sciences, ont une fois de plus puni l'esprit rationnel)))).
Quelle conscience rationnelle ? Écrire des ondes sinusoïdales dans les prix ? Ou le faire par MNM ? Et quelle est la physique impliquée ? Comprendre que n'importe quelles N fonctions orthogonales peuvent être écrites en une série de N quantités, et pas seulement en sinus et cosinus comme dans Fourier. Réfléchissez ensuite à la raison pour laquelle ce sont les sinus et les cosinus qui ont un sens physique pour modéliser les prix du marché ?