Prevedere il futuro con le trasformate di Fourier - pagina 45
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Sono d'accordo. Ma le reti neurali hanno modi per evitare di adattarsi alla storia, anche se ci sono complicazioni anche lì. Ma con la Fourier, non c'è quasi modo di identificare le armoniche o le armoniche che saranno redditizie in futuro - questa è la difficoltà di applicare la Fourier ai mercati finanziari.
Cioè si possono fare questi calcoli, come scomporre i dati in armoniche, aggiustare ampiezze, fasi, sommare, solo che invece si possono calcolare i coefficienti per calcolare il risultato come negli indicatori FATL, SATL - solo moltiplicando i prezzi per i coefficienti e sommando.
D'accordo. Ma le reti neurali hanno modi per evitare di adattarsi alla storia, anche se ci sono alcune difficoltà anche lì. Ma con la Fourier, non c'è quasi modo di identificare le armoniche o le armoniche che saranno redditizie in futuro - questa è la difficoltà di applicare la Fourier nei mercati finanziari.
Con qualsiasi sistema, si dovrebbe fare un controllo di adattamento, fare un test di controllo nella prossima sezione dopo l'ottimizzazione. Lo stesso è vero. Con una rete - addestrare la rete, testarla. Con qualsiasi altro sistema - ottimizzare, controllare i test oltre il periodo di ottimizzazione.
Il modo per determinare l'armonica è l'ottimizzazione in un tester.
Con qualsiasi sistema, si dovrebbe fare un controllo di adattamento, fare un test di controllo nella prossima sezione dopo l'ottimizzazione. Lo stesso è vero. Con una rete - addestrare la rete, testarla. Con qualsiasi altro sistema - ottimizzare, controllare i test oltre il periodo di ottimizzazione.
Il modo per determinare l'armonica è l'ottimizzazione in un tester.
Ebbene, Fourier non ha un tale metodo di determinazione - o si indovina con i fondi di caffè o con un dito nel cielo, perché tutto sta nella scelta, cioè nella scelta delle armoniche. Ecco perché la Fourier non ha trovato la sua applicazione nei finnets.
L'ottimizzazione nel tester per Fourier è in realtà una scelta delle armoniche per margini di profitto su dati passati, ma non una scelta per margini di profitto futuri.
Non esiste un tester che controlli le armoniche per il fatto del montaggio. In MT4 - questo non è realistico da fare.
I coefficienti non devono essere costanti... Posso costruire un modello, usarlo per calcolare la caratteristica di trasferimento del filtro con le caratteristiche richieste e i parametri adattativi, passare (Fourier/Laplace -> Z-transform) al dominio discreto, convertire la caratteristica di trasferimento in un'equazione della differenza e poi... profitto).
Ok, ho capito. Questo è già un DSP classico.
Fourier non ha modo di definirlo - si tratta o di indovinare la foglia di caffè o di un dito nel cielo, perché tutto si riduce alla scelta, cioè alla scelta delle armoniche. Questo è il motivo per cui Fourier non ha trovato la sua applicazione nei finnets.
L'ottimizzazione in un tester è una scelta delle armoniche in base alla grandezza del profitto sui dati passati, ma non una scelta per portare profitto nel futuro.
Non esiste un tester che controlli le armoniche per il fatto del montaggio. In MT4 - questo non è realistico da fare.
Realisticamente. Non è fondamentalmente diverso dal testare una rete neurale allenandola. Alla fine ci interessa il profitto. Per profitto e vedere se il sistema fa un profitto nella sezione che segue la sezione di ottimizzazione.
Ok, ho capito. Questo è già un DSP classico.
C'è un'altra sfumatura qui. Più grande è il segmento successivo all'ottimizzazione, maggiore è la probabilità che le armoniche trovate diventino rapidamente obsolete (smettono di portare profitto) sui dati futuri. La riduzione di questa sezione comporta l'inaffidabilità del test.
C'è un'altra sfumatura qui. Più grande è la sezione successiva all'ottimizzazione, più è probabile che le armoniche trovate diventino rapidamente obsolete (non producono più profitti) sui dati futuri. Riducendo questo segmento - otteniamo l'inaffidabilità della verifica.
Nessun problema del genere con le reti neurali?
Sì, c'è. Ma ci sono alcuni modelli che possono essere notati quando si addestra una rete, e alcune tecniche di addestramento che permettono di fare a meno anche di un test in avanti. Non conosco Fourier e non ne ho sentito parlare.