Phénomènes de marché - page 29
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
J'ai essayé d'utiliser (18) de [url=https://www.mql5.com/ru/articles/250]-"Universal regression model for market price prediction"[/url] comme fonction de base. Il décrit de manière satisfaisante les dépendances construites artificiellement à partir de diverses fonctions dans toutes les combinaisons possibles, y compris les sommes, les produits, les logarithmes, les puissances, les exponentielles, etc.
Je connais la formule (18). Je pense que vous oubliez que je ne suis pas intéressé par une connaissance a priori des fonctions de base. Je me moque de savoir si la fonction de base est si puissante et universelle qu'elle peut décrire n'importe quel processus dans le monde. J'aimerais trouver un algorithme pour la détermination automatique des fonctions de base à partir de la série temporelle elle-même. Notez que ce ne sont pas des fonctions de base universelles, mais les fonctions spécifiques à la série temporelle donnée. Considérez l'analogie avec la parole. Elle peut également être décrite par diverses fonctions de base universelles, dont (18). Mais tout cela conduirait à un décodage inexact de la parole. L'utilisation de phonèmes anglais pour décoder la parole chinoise donnerait également de mauvais résultats. Pour chaque processus, il doit y avoir différents "phonèmes".
Il existe une pilule universelle - les algorithmes génétiques. À tout le moins, si l'on ne sait rien (ou presque rien) du processus, et que l'on a encore besoin d'enquêter et d'obtenir un résultat, alors GA est le premier endroit à essayer.
Cela a des chances de fonctionner.
Je connais la formule (18). Je pense que vous oubliez que je ne suis pas intéressé par une connaissance a priori des fonctions de base. Je me moque de savoir si la fonction de base est si puissante et universelle qu'elle peut décrire n'importe quel processus dans le monde. J'aimerais trouver un algorithme pour la détermination automatique des fonctions de base à partir de la série temporelle elle-même. Notez que ce ne sont pas des fonctions de base universelles, mais les fonctions spécifiques à la série temporelle donnée. Considérez l'analogie avec la parole. Elle peut également être décrite par diverses fonctions de base universelles, dont (18). Mais tout cela conduirait à un décodage inexact de la parole. L'utilisation de phonèmes anglais pour décoder la parole chinoise donnerait également de mauvais résultats. Pour chaque processus, il doit y avoir un "phonème" différent.
Mon intérêt pour ces structures est dû à leur application plus pratique que la prévision des prix du marché. Je m'intéresse maintenant davantage au développement de systèmes de reconnaissance rapide de la parole. ... La prédiction des prix revient à prédire les futurs phonèmes (structures). Mais cela ne m'intéresse pas. Je m'intéresse à la reconnaissance des phonèmes (structures) passés et présents. Pour y parvenir, il faut disposer d'un dictionnaire de ces phonèmes et corréler la parole avec ces phonèmes connus (simplifiés bien sûr)...
Vladimir, IMHO, cette tâche est irréalisable à ce stade. Pour continuer le beau parallèle avec la reconnaissance vocale, sachez que chaque outil sur le marché est sa propre langue, et que différents dialectes s'y mêlent en fonction de l'heure de la journée, de la saison, de l'actualité, etc. Imaginez que vous disposez d'un ensemble de phonèmes pour l'anglais et que vous devez reconnaître le babil d'un docker irlandais ivre (ou non irlandais, pour ne pas offenser les Irlandais ;-) ). La technologie de reconnaissance vocale n'est pas encore développée à ce point. Et le marché n'est pas plus facile.
Sous une forme simplifiée, le vocabulaire des phonèmes du marché ne peut être obtenu qu'auprès des acteurs du marché - et ce seront les chiffres, les niveaux de fibo, etc. sur lesquels de nombreux livres sont écrits. Personne ne peut connaître une description plus claire, notamment en spécifiant le type de fonctions de base.
Je connais la formule (18). Je pense que vous oubliez que je ne suis pas intéressé par une connaissance a priori des fonctions de base. Je me moque de savoir si la fonction de base est si puissante et universelle qu'elle peut décrire n'importe quel processus dans le monde. J'aimerais trouver un algorithme pour la détermination automatique des fonctions de base à partir de la série temporelle elle-même. Notez que ce ne sont pas des fonctions de base universelles, mais les fonctions spécifiques à la série temporelle donnée. Considérez l'analogie avec la parole. Il peut également être décrit par diverses fonctions de base universelles, dont (18). Mais tout cela conduirait à un décodage inexact de la parole. L'utilisation des phonèmes de l'anglais pour décoder la parole chinoise donnerait également de mauvais résultats. Pour chaque processus, il doit y avoir différents "phonèmes".
google "atomic decomposition by basis pursuit" ?
Je suis d'accord. Il existe de nombreux termes différents : phonèmes, structures, modèles, ondelettes, fonctions de base. Je préfère le terme de fonctions de base. Je m'intéresse à la question suivante : comment déterminer automatiquement les fonctions de base lorsqu'on connaît une série temporelle ? Bien sûr, on peut examiner visuellement cette série et trouver des triangles, des drapeaux et d'autres formes sympathiques. Mais personne n'a encore prouvé que ces schémas sont statistiquement importants et ne sont pas simplement le fruit de l'imagination. Rappelez-vous comme dans l'anecdote :
Le psychiatre montre différentes photos au patient en lui demandant : "Qu'y voyez-vous ?" Et le patient répond : "Un homme et une femme qui font l'amour." "Vous êtes une sorte de débauché", dit le docteur. Et le patient dit : "Eh bien, vous m'avez montré ces photos obscènes vous-même."
L'identification automatique des fonctions de base statistiquement importantes est un processus compliqué et je ne pense pas que quiconque ait trouvé le moyen de le faire correctement, même avec des réseaux neuronaux. Bien sûr, nous pouvons simplifier la tâche et supposer à l'avance que la série temporelle est divisée en ondelettes de Haar, ou en fonctions trigonométriques comme dans les séries de Fourier, ou en d'autres fonctions de base souvent utilisées dans la régression. Et toutes ces fonctions de base reproduiront avec succès nos séries, qu'il s'agisse de séries de prix ou de séries vocales. Mais imaginez que nous décomposions la parole en ondelettes de Haar - elles n'ont rien à voir avec les phonèmes. Il serait tout aussi inutile de décomposer une série de prix en ondelettes de Haar ou en fonctions trigonométriques. Il convient de mentionner la détection compressive, dont l'essence est de décrire le signal avec le plus petit ensemble de fonctions de base. Bien qu'il existe de nombreux algorithmes de cette méthode, ils supposent tous que nous connaissions les fonctions de base. Si vous avez des idées sur l'algorithme permettant de trouver des fonctions de base à partir des séries de prix, veuillez les partager.
google "atomic decomposition by basis pursuit" ?
Merci. J'ai cherché - cette méthode appartient à la détection comprimée. Il suppose que les fonctions de base sont connues. Ma tâche consiste non seulement à trouver la représentation la plus détendue du signal sous forme de combinaison linéaire de fonctions de base, mais aussi les fonctions de base elles-mêmes spécifiques à ce signal.
Vladimir, IMHO, c'est une tâche impossible à ce stade. En continuant le beau parallèle avec la reconnaissance vocale, notez que chaque outil sur le marché est sa propre langue, et que différents dialectes se mélangent en fonction de l'heure de la journée, de la saison, de l'actualité, etc. Imaginez que vous disposez d'un ensemble de phonèmes pour l'anglais et que vous devez reconnaître le babil d'un docker irlandais ivre (ou non irlandais, pour ne pas offenser les Irlandais ;-) ). La technologie de reconnaissance vocale n'est pas encore développée à ce point. Et le marché n'est pas plus facile.
Votre raisonnement est tout à fait correct. En effet, le marché parle différents dialectes, à différentes vitesses, avec différents volumes, avec différentes distorsions, etc. selon le moment. Il me semble donc que les phonèmes ne peuvent être trouvés que par des transformations non linéaires de la parole. Il en va de même pour la recherche de modèles dans les prix du marché. Jusqu'à présent, je ne pense pas. Je m'intéresse d'abord à une question : en prenant un signal dont on sait à l'avance qu'il est constitué d'une combinaison linéaire d'un nombre fini de fonctions de base inconnues, est-il possible de trouver ces fonctions de base et les coefficients de cette décomposition linéaire ?
Cette ligne de pensée est proche de moi (je veux dire, les analogies avec la parole). Et beaucoup a déjà été fait dans ce sens, vous pouvez lire des articles pour trouver l'inspiration. Il est nécessaire de quantifier une série temporelle en un nombre limité d'états, qui sont des points dans des régions compactes de l'espace. Puis, par analogie avec les tâches de reconnaissance vocale (formation de réseaux neuronaux pour des séquences statistiquement stables de phonèmes et de leurs combinaisons), nous étudions les séquences récurrentes d'états. Pour la première partie du problème, un réseau auto-organisé convient, pour la seconde - un réseau multicouche. J'en ai fait un exemple dans ce fil : https://forum.mql4.com/ru/40561/page5.
Merci. Je réfléchirai à SOM à mon aise.
J'aime déjà ça... Sergei, quels sont les grands principes de physique derrière la radio (télégraphe, etc.) ?
La question m'a laissé perplexe).
Pas le contenu, mais le fait de son apparition.
Tous les principes de base peuvent être facilement repris sur le web (certains même dans les programmes scolaires).
C'est un peu plus compliqué que ça.
Dans l'application au marché, beaucoup de choses peuvent être utilisées, car les cotations sont très similaires au signal.
Vous pouvez donc essayer de leur appliquer des méthodes de traitement connues en ingénierie radio, ingénierie audio, etc.
Détails - plutôt pas pour ce fil de discussion. Pour référence :
http://nice.artip.ru/?id=doc&a=doc68