Dialogo con l'autore. Alexander Smirnov. - pagina 38

Nuovo commento
 
Prival:
Yurixx:
lna01:


Posso darvi i relativi calcoli analitici.


qui da qui se non è difficile da elaborare. con l'arrivo di nuovi dati i coefficienti A e B possono cambiare, penso, anche se potrei sbagliarmi :-). Per LR sembra essere risolto, ma per la regressione parabolica come?

sum=0.0;
for (i=0; i<p; i++)
{
    fx = A*i*i + B*i + C;
    dc = Close[i] - fx;
    sum += dc * dc;
}
sq = MathSqrt(sum / p);
 
Yurixx:


Vorrei tanto sapere cosa potrebbe essere superfluo in queste formule? :-)

Per quanto riguarda la "vera espressione", da dove pensate che vengano tutte queste formule? Se si sostituiscono le formule finite derivate da MNA per A e B in questa "espressione reale", allora si ottiene l'espressione di cui sopra per il RMS. Posso dare i calcoli analitici corrispondenti.

OK, sono d'accordo, esattamente in questi - no :)
Per definizione, la ricorsione è il calcolo del valore successivo utilizzando il precedente? Allora il calcolo delle somme cumulative è la ricorsione più naturale.
Il punto è che il mio calcolo per "espressione reale" dà qualche incongruenza con queste formule. Ecco i risultati per N=5 e N=20. Le linee sono state contate come LR + 3*SCO, per la linea bianca l'RMS è stato preso come sqrt((RMS^2)*N/(N-2)). La linea rossa è secondo la mia formula, la linea bianca è secondo la tua formula. Per N=20 la linea rossa è quasi invisibile, possiamo assumere che i risultati coincidono con una buona precisione. Ma per N=5 le differenze sono abbastanza evidenti.
 
ANG3110:
Sì, puoi contare la somma una volta all'inizio e semplicemente sottrarre l'ultimo elemento e aggiungere un nuovo primo elemento. Allora funziona senza un ciclo.

Il problema è che in LRMA a e b sono ricalcolati ad ogni barra. Cioè, la semplice modifica della somma degli errori non è sufficiente.
 
ANG3110:
Privato:
Yurixx:
lna01:


Posso darvi i relativi calcoli analitici.


qui da qui se non ti dispiace elaborare. con l'arrivo di nuovi dati i coefficienti A e B possono cambiare, penso, anche se potrei sbagliarmi :-). Per LR sembra essere risolto, ma per la regressione parabolica come?

sum=0.0;
for (i=0; i<p; i++)
{
    fx = A*i*i + B*i + C;
    dc = Close[i] - fx;
    sum += dc * dc;
}
sq = MathSqrt(sum / p);


Non c'è calcolo del coefficiente B. Anche se se si aggiunge il suo calcolo, sembra tornare al valore originale. Non c'è ricorsione, cioè aggiungere al valore precedente un nuovo valore, calcolato al passo 0. ANG3110 mi dispiace non c'è ricorsione
 
lna01:
ANG3110:
Sì, puoi contare la somma una volta all'inizio e semplicemente sottrarre l'ultimo elemento e aggiungere il nuovo primo elemento. Allora funziona senza un ciclo.

Il problema è che LRMA ricalcola a e b su ogni barra. Quindi non puoi cavartela solo modificando la somma degli errori.
E quel caso con l'espressione LRMA - è per leggere immediatamente i dati finali LR e non è destinato a calcolare RMS.
Ma calcolando LRMA, senza usare i coefficienti della linea a e b, non si guadagna nulla nelle risorse calcolate, e si impoverisce nelle possibilità, perché nella formula di regressione lineare b è la posizione finale, e a*i è l'angolo. E soprattutto, conoscendo a e b, si può calcolare facilmente l'RMS. Oppure possiamo fare il contrario e calcolare che l'RMS sia costante e che il periodo vari, quindi otteniamo una regressione, come un vestito su misura esattamente per la dimensione della tendenza.
 
ANG3110:
e il periodo cambierebbe, quindi ottenere una regressione, come un vestito cucito esattamente su misura, sotto la tendenza.

Se c'è un indicatore che ha questa proprietà. Sarebbe possibile condividere. Anche se capisco che questo non è qualcosa che viene pubblicato nel pubblico dominio, ma se improvvisamente decidete di farlo, pantaloni gialli e due coo in una riunione + il vostro drink preferito a quest'ora del giorno cercheranno di ottenerlo :-)

Ho bisogno di una parabola, non mi interessa LR.

 
Prival:
ANG3110:
Privato:
Yurixx:
lna01:


Posso darvi i relativi calcoli analitici.


qui da qui, se non ti dispiace più dettagli. con l'arrivo di nuovi dati i coefficienti A e B possono cambiare, penso, anche se potrei sbagliarmi :-). Per LR sembra essere risolto, ma per la regressione parabolica come?

sum=0.0;
for (i=0; i<p; i++)
{
    fx = A*i*i + B*i + C;
    dc = Close[i] - fx;
    sum += dc * dc;
}
sq = MathSqrt(sum / p);


Non c'è calcolo del coefficiente B. Anche se se si aggiunge il suo calcolo, sembra tornare al valore originale. Non c'è ricorsione, cioè aggiungere al valore precedente un nuovo valore, calcolato al passo 0. ANG3110 Spiacente, non c'è ricorsione qui.
Ma perché abbiamo bisogno della ricorsione in questo caso? Bene, capisco quando nei calcoli utilizzati 10 - 20 regressioni in una volta, bene, allora i metodi di calcolo senza un ciclo, diventano rilevanti, e risolto con gli array è molto facile. Ma per una o due linee, è come se non ci fosse altro da fare che inventare la ricorsione. Personalmente sono seduta alla festa di compleanno di mia figlia e non ho davvero nient'altro da fare, quindi sto aspettando che finiscano.
 
ANG3110:
...
Perché abbiamo bisogno di questa ricorsione in questo caso? Bene, capisco che quando nei calcoli si usano 10 - 20 regressioni in una volta, bene, allora i metodi di calcolo senza ciclo diventano attuali, e si risolvono con gli array molto facilmente, ma per una - due righe. È come se non ci fosse altro da fare che comporre la ricorsione. Personalmente sono seduta alla festa di compleanno di mia figlia e non ho nient'altro da fare, quindi sto aspettando che finiscano.

analisi multivaluta, con diversi periodi di ciclo. Se si contano cicli (periodo di campionamento) di 1, 2, 8, 12, 24 e 120 ore + per 12 valute, la velocità di calcolo non è l'ultima cosa. Anche se (scusate se non c'è una faccina sorridente con una tazza o uno scatto) mia figlia compie 12 anni il 14 febbraio, quindi sto scrivendo tra uno scatto e l'altro e intrattenendo gli ospiti (che si sono riuniti tutti sabato).
 
ANG3110:
Ma il calcolo della LRMA, senza utilizzare i coefficienti delle linee a e b, non guadagna nulla in risorse di calcolo e impoverisce le possibilità,
...
E, cosa importante, è possibile calcolare l'RMS. Oppure possiamo farlo al contrario, e calcolare che l'RMS sia costante e che il periodo vari, quindi otteniamo una regressione, come un vestito su misura esattamente per la dimensione della tendenza.
Solo gli algoritmi LRMA di questo ramo guadagnano molte risorse. Aggiungendo all'algoritmo per il calcolo di a, e RMS(b nella mia versione conta) risorse aggiuntive ci vorrà naturalmente, ma non molto. A proposito, l'immagine qui sopra con i "mezzi canali" è stata fatta rapidamente dalla mia versione di LRMA (che è di MovingLR). In realtà il mio interesse in questo ramo è nella lucidatura dell'algoritmo forzato di regressione ricalcolato su ogni barra, in modo che l'RMS fosse costante che ho provato prima e non ero soddisfatto dei risultati.
 
Cosa facciamo con a e b? C'è una formula provata per LR - non ci sono k-tipi in linea retta. Ci sono mash-up banali. Prival, sto parlando esattamente di LR, occupiamoci prima di questo.
1...3132333435363738394041424344
Nuovo commento
Motivazione: