フーリエ変換で未来を予測する - ページ 45 1...383940414243444546474849505152...55 新しいコメント Alexey Subbotin 2012.03.07 12:38 #441 Integer: すなわち、データを高調波に分解し、振幅、位相を調整し、加算するようなこれらの計算を行うことができ、唯一の代わりに、FATL、SATL指標のように結果を計算するために係数を計算することができます - ちょうど価格と係数を掛けて加算してください。 係数は一定でなくても良いのですが...。モデルを作り、それを使って必要な特性と適応パラメータを持つフィルタの伝達特性を計算し、離散領域へ(フーリエ/ラプラス→Z変換)、伝達特性を差分方程式に変換して......ということができます。得) Dmitry Fedoseev 2012.03.07 12:44 #442 LeoV: 同意見です。しかし、ニューラルネットワークには、歴史に当てはまらないようにする方法がある。そこにも困難はあるが。しかし、フーリエでは、将来儲かるであろう高調波や高調波を見極める方法がほとんどない--それが、フーリエを金融市場に応用することの難しさである。どのようなシステムでも、最適化の後に次のセクションのチェックテストを行い、フィットチェックを行う必要があります。も同じです。ネットワークの場合 - ネットワークを訓練し、テストする。その他のシステムについては、最適化、最適化期間後のチェックテストを行います。 ハーモニックを判断する方法は、テスターで最適化することです。 Леонид 2012.03.07 12:52 #443 Integer: どのようなシステムでも、最適化の後に次のセクションのチェックテストを行い、フィットチェックを行う必要があります。も同じです。ネットワークの場合 - ネットワークを訓練し、テストする。その他のシステムについては、最適化、最適化期間後のチェックテストを行います。 高調波を判断する方法は、テスターで最適化することです。 フーリエはそのような決定方法を持っていません。それは、コーヒーのカスで推測するか、空に指をさすかのどちらかです。だから、フーリエはフィンネットにその応用を見いだせなかったのです。 フーリエのテスターにおける最適化は、実は過去のデータに対する利益率による高調波の選択であって、将来の利益率に対する選択ではないのです。 フィッティングの事実でハーモニクスをチェックするテスターはない。MT4では、これは非現実的なことです。 Dmitry Fedoseev 2012.03.07 12:53 #444 alsu: 係数は一定である必要はない...。モデルを作り、それを使って必要な特性と適応パラメータを持つフィルタの伝達特性を計算し、離散領域へ(フーリエ/ラプラス→Z変換)、伝達特性を差分方程式に変換して......ということができます。得) OK、了解です。これはもう定番のDSPですね。 Dmitry Fedoseev 2012.03.07 12:56 #445 LeoV: フーリエにはそのような定義づけはありません。コーヒーの葉で推測するか、空に指をさすかのどちらかです。だから、フーリエはフィンネットにその応用を見いだせなかったのです。テスターにおける最適化とは、過去のデータに対する利益の大きさによる高調波の選択であり、未来に利益をもたらすための選択ではない。フィッティングの事実でハーモニクスをチェックするテスターはない。MT4では、これは非現実的なことです。 現実的に考えてニューラルネットワークを 学習させてテストするのと、根本的には変わりません。結局、私たちは利益に興味があるのです。利益で、最適化セクションの次のセクションでシステムが利益を出すかどうかを確認します。 Alexey Subbotin 2012.03.07 12:59 #446 Integer: よし、わかった。これはもう定番のDSPですね。 重要なのは実用的なモデルを作ることで、あとはテクニックの問題で、書籍に記載されている) Леонид 2012.03.07 12:59 #447 Integer: 現実的に考えてニューラルネットワークを学習させてテストするのと、根本的には変わりません。結局、私たちは利益に興味があるのです。利益とは、最適化セクションの次のセクションで、システムが利益を生むかどうかを見るものです。 ここでもうひとつ、ニュアンスが変わります。最適化後の次のセグメントが大きければ大きいほど、見つかった高調波が将来のデータですぐに陳腐化する(利益をもたらさなくなる)確率が高くなります。この部分を減らすと、テストの信頼性に欠けることになります。 Dmitry Fedoseev 2012.03.07 13:01 #448 LeoV: ここにはもうひとつのニュアンスがあります。最適化後の次のセクションが大きければ大きいほど、見つかった高調波が将来のデータですぐに陳腐化する(利益が出なくなる)可能性が高くなります。このセグメントを減らすと、検証の信頼性が損なわれる。 ニューラルネットではそのような問題はないのですか? Леонид 2012.03.07 13:04 #449 Integer: ニューラルネットワークには、そういう問題はないんですか? はい、あります。しかし、ネットワークを訓練するときに気づく規則性があり、フォワードテストさえしなくてもできる訓練法もある。フーリエは知らないし、聞いたこともない。 Alexey Subbotin 2012.03.07 13:05 #450 LeoV: ここにはもうひとつのニュアンスがあります。最適化後の次のセグメントが大きければ大きいほど、見つかった高調波が将来のデータですぐに陳腐化する(利益を生まなくなる)可能性が高くなります。この部分を減らすと、テストの信頼性が低くなる。 もし、私の考えが正しいのなら... 位相空間における軌跡{最適調和、最適初期位相}という絵を視覚的に見るのも面白いかもしれませんね。軌跡が十分に滑らかであれば、予測することができる。 1...383940414243444546474849505152...55 新しいコメント 取引の機会を逃しています。 無料取引アプリ 8千を超えるシグナルをコピー 金融ニュースで金融マーケットを探索 新規登録 ログイン スペースを含まないラテン文字 このメールにパスワードが送信されます エラーが発生しました Googleでログイン WebサイトポリシーおよびMQL5.COM利用規約に同意します。 新規登録 MQL5.com WebサイトへのログインにCookieの使用を許可します。 ログインするには、ブラウザで必要な設定を有効にしてください。 ログイン/パスワードをお忘れですか? Googleでログイン
すなわち、データを高調波に分解し、振幅、位相を調整し、加算するようなこれらの計算を行うことができ、唯一の代わりに、FATL、SATL指標のように結果を計算するために係数を計算することができます - ちょうど価格と係数を掛けて加算してください。
同意見です。しかし、ニューラルネットワークには、歴史に当てはまらないようにする方法がある。そこにも困難はあるが。しかし、フーリエでは、将来儲かるであろう高調波や高調波を見極める方法がほとんどない--それが、フーリエを金融市場に応用することの難しさである。
どのようなシステムでも、最適化の後に次のセクションのチェックテストを行い、フィットチェックを行う必要があります。も同じです。ネットワークの場合 - ネットワークを訓練し、テストする。その他のシステムについては、最適化、最適化期間後のチェックテストを行います。
ハーモニックを判断する方法は、テスターで最適化することです。
どのようなシステムでも、最適化の後に次のセクションのチェックテストを行い、フィットチェックを行う必要があります。も同じです。ネットワークの場合 - ネットワークを訓練し、テストする。その他のシステムについては、最適化、最適化期間後のチェックテストを行います。
高調波を判断する方法は、テスターで最適化することです。
フーリエはそのような決定方法を持っていません。それは、コーヒーのカスで推測するか、空に指をさすかのどちらかです。だから、フーリエはフィンネットにその応用を見いだせなかったのです。
フーリエのテスターにおける最適化は、実は過去のデータに対する利益率による高調波の選択であって、将来の利益率に対する選択ではないのです。
フィッティングの事実でハーモニクスをチェックするテスターはない。MT4では、これは非現実的なことです。
係数は一定である必要はない...。モデルを作り、それを使って必要な特性と適応パラメータを持つフィルタの伝達特性を計算し、離散領域へ(フーリエ/ラプラス→Z変換)、伝達特性を差分方程式に変換して......ということができます。得)
OK、了解です。これはもう定番のDSPですね。
フーリエにはそのような定義づけはありません。コーヒーの葉で推測するか、空に指をさすかのどちらかです。だから、フーリエはフィンネットにその応用を見いだせなかったのです。
テスターにおける最適化とは、過去のデータに対する利益の大きさによる高調波の選択であり、未来に利益をもたらすための選択ではない。
フィッティングの事実でハーモニクスをチェックするテスターはない。MT4では、これは非現実的なことです。
現実的に考えてニューラルネットワークを 学習させてテストするのと、根本的には変わりません。結局、私たちは利益に興味があるのです。利益で、最適化セクションの次のセクションでシステムが利益を出すかどうかを確認します。
よし、わかった。これはもう定番のDSPですね。
ここでもうひとつ、ニュアンスが変わります。最適化後の次のセグメントが大きければ大きいほど、見つかった高調波が将来のデータですぐに陳腐化する(利益をもたらさなくなる)確率が高くなります。この部分を減らすと、テストの信頼性に欠けることになります。
ここにはもうひとつのニュアンスがあります。最適化後の次のセクションが大きければ大きいほど、見つかった高調波が将来のデータですぐに陳腐化する(利益が出なくなる)可能性が高くなります。このセグメントを減らすと、検証の信頼性が損なわれる。
ニューラルネットではそのような問題はないのですか?
はい、あります。しかし、ネットワークを訓練するときに気づく規則性があり、フォワードテストさえしなくてもできる訓練法もある。フーリエは知らないし、聞いたこともない。
ここにはもうひとつのニュアンスがあります。最適化後の次のセグメントが大きければ大きいほど、見つかった高調波が将来のデータですぐに陳腐化する(利益を生まなくなる)可能性が高くなります。この部分を減らすと、テストの信頼性が低くなる。
もし、私の考えが正しいのなら...
位相空間における軌跡{最適調和、最適初期位相}という絵を視覚的に見るのも面白いかもしれませんね。軌跡が十分に滑らかであれば、予測することができる。