내가 이해하는 한 저자는 알고리즘 자체를 너무 많이 공개하지 않고 다음과 같은 격언을 사용합니다.
따라서 GenericPred 메서드는 두 가지 기본 규칙을 사용합니다.
R1: 예측하는 동안 비선형 측정값을 가능한 한 일정하게 유지하기 위해 항상 노력하십시오( 그림 3 ).
R2: 새 값은 확률 분포에서 생성된 잠재적 값 집합에서 선택해야 합니다.
현재 단계의 예측 값은 다음 단계의 유효한 변경 범위를 결정하는 데 필요하기 때문에 예측은 한 번에 한 단계씩 진행되어야 합니다.
내가 추측할 수 있는 한, 먼저 특정 로지스틱 선형 구성 요소가 선택되고 각 단계에서 비선형 시뮬레이션이 수행됩니다. 이에 대한 주요 기준은 계열의 특정 확률적 특성 집합의 안정성입니다. 일반적으로 모호하지만 결과는 인상적입니다.
제 생각에는 접근 방식이 R의 "예언자" 패키지에 사용된 것과 다소 비슷합니다.
나는 조금 더 자세히 보았고 - 나는 내가 다소 잘못 알고 있음을 알았습니다. 그들은 원래 시리즈에서 일련의 움직이는 비선형 메트릭을 만듭니다(프랙탈 차원과 Lyapunov 지수에 대해 씁니다). 그들은 이 새로운 시리즈(실제 관찰을 기반으로 함)가 SB와 유사하다고 생각합니다. 그리고 그들은 미래에 Monte Carlo 방법을 사용하여 이 계열을 곱하고 결과 집합에서 원래 집합에 가장 가까운 변형을 가져옵니다.
비밀은 원래 시리즈를 일련의 메트릭으로 특정 변환하는 형태로 남아 있으며 더 중요하게는 역변환입니다.
일반적으로 이 모든 것이 의심스러워 보이며(우선 결과를 제시하는 스타일) 문제에 대한 추가 연구에 대한 열망을 일으키지 않습니다.
나는 조금 더 자세히 보았고 - 나는 내가 다소 잘못 알고 있음을 알았습니다. 그들은 원래 시리즈에서 일련의 움직이는 비선형 메트릭을 만듭니다(프랙탈 차원과 Lyapunov 지수에 대해 씁니다). 그들은 이 새로운 시리즈(실제 관찰을 기반으로 함)가 SB와 유사하다고 생각합니다. 그리고 그들은 미래에 Monte Carlo 방법을 사용하여 이 계열을 곱하고 결과 집합에서 원래 집합에 가장 가까운 변형을 가져옵니다.
비밀은 원래 시리즈를 일련의 메트릭으로 특정 변환하는 형태로 남아 있으며 더 중요하게는 역변환입니다.
일반적으로 이 모든 것은 의심스러워 보이며 (우선 결과를 제시하는 스타일) 문제에 대한 추가 연구에 대한 열망을 일으키지 않습니다 .
글쎄, 그들은 우리를 DC 및 ECN 서버로 허용하지 않습니다) 우리는 모든 것을 스스로 발명해야합니다)
들여놓아도 별 소용이 없다.) 가격을 얻는 속도와 본질에 대한 확실한 정확성은 변하지 않을 것이다. 그러나 추세는 데이터의 FA를 평가하기 위한 가격 연구 및 알고리즘의 힘이 증가하고 있으며 불행히도 후자는 훨씬 느립니다. 그러나 추세가 있습니다))) 그리고 결과를 연결할 수있는 첫 번째 사람은 말을 타고 있습니다))) 한동안) ...
기사 작성자가 세 번째 부분에서 코드를 작성할 때 어떻게 되었는지 모르겠지만 코드가 세 곳에서 "깨져" 있었습니다.
나는 고쳤다
library (quantmod)
library (fractaldim)
getSymbols( "SPY" ,src= "yahoo" , from= "2019-01-01" )
N <- 10# Predict the last N bars
mainData <- SPY$SPY.Close
colnames(mainData) <- c( "data" )
endingIndex <- length(mainData$data)-(N+ 1 )
TEST <- mainData[ 1 :endingIndex]
total_error <- 0
error_per_prediction <- matrix(ncol = 1 ,nrow = 0 )
#These are the fractal dimension calculation parameters
#see the fractaldim library reference for more info
method <- "rodogram"
Sm <- as .data.frame(TEST, row.names = NULL )
delta <- c()
# calculate delta between consecutive Sm values to use as guesses
for (j in 2 :length(Sm$data)){
delta <- c(delta, (Sm$data[j]-Sm$data[j- 1 ])/Sm$data[j- 1 ])
}
Sm_guesses <- delta
#do 100 predictions of next values in Sm
for (i in 1 :N){
#update fractal dimension used as reference
V_Reference <- fd.estimate(Sm$data, method=method)$fd
minDifference = 1000000# check the fractal dimension of Sm plus each different guess and
# choose the value with the least difference with the reference
for (j in 1 :length(Sm_guesses)){
new_Sm <- rbind(Sm, Sm_guesses[j]*Sm$data[length(Sm$data)]+Sm$data[length(Sm$data)])
new_V_Reference <- fd.estimate(new_Sm$data, method=method)$fd
if (abs(new_V_Reference - V_Reference) < minDifference ){
Sm_prediction <- Sm$data[length(Sm$data)]+Sm_guesses[j]*Sm$data[length(Sm$data)]
minDifference <- abs(new_V_Reference - V_Reference)
}
}
print(i)
#add prediction to Sm
Sm <- rbind(Sm, Sm_prediction)
}
id <- endingIndex:(endingIndex+N)
pred <- Sm$data[id]
real <- as .data.frame(mainData$data[id], row.names = NULL )
plot(pred, type= "l" ,col= 2 ,ylim = range(pred,real),lty= 3 )
lines(real,lwd= 2 )
거의 모든 인터넷을 보관하는 멋진 사이트가 있습니다.
감독자!!! 고맙습니다
제 생각에는 100-200-500일 앞서 시리즈를 예측하는 것은 거의 의미가 없습니다. 행과 행의 움직임에 영향을 미치는 힘을 크게 변경하려면 너무 많은 일이 발생할 수 있습니다.
1 - 10시간 전에 예측하는 M1-M15에 대해 이 코드를 반복할 수 있습니까? 스프레드를 극복하고 수익을 내려면 1시간이면 충분하다.
이것이 성공하면 방법을 사용할 수 있습니다.
내가 이해하는 한 저자는 알고리즘 자체를 너무 많이 공개하지 않고 다음과 같은 격언을 사용합니다.
따라서 GenericPred 메서드는 두 가지 기본 규칙을 사용합니다.
R1: 예측하는 동안 비선형 측정값을 가능한 한 일정하게 유지하기 위해 항상 노력하십시오( 그림 3 ).
R2: 새 값은 확률 분포에서 생성된 잠재적 값 집합에서 선택해야 합니다.
현재 단계의 예측 값은 다음 단계의 유효한 변경 범위를 결정하는 데 필요하기 때문에 예측은 한 번에 한 단계씩 진행되어야 합니다.
내가 추측할 수 있는 한, 먼저 특정 로지스틱 선형 구성 요소가 선택되고 각 단계에서 비선형 시뮬레이션이 수행됩니다. 이에 대한 주요 기준은 계열의 특정 확률적 특성 집합의 안정성입니다. 일반적으로 모호하지만 결과는 인상적입니다.
제 생각에는 접근 방식이 R의 "예언자" 패키지에 사용된 것과 다소 비슷합니다.
나는 조금 더 자세히 보았고 - 나는 내가 다소 잘못 알고 있음을 알았습니다. 그들은 원래 시리즈에서 일련의 움직이는 비선형 메트릭을 만듭니다(프랙탈 차원과 Lyapunov 지수에 대해 씁니다). 그들은 이 새로운 시리즈(실제 관찰을 기반으로 함)가 SB와 유사하다고 생각합니다. 그리고 그들은 미래에 Monte Carlo 방법을 사용하여 이 계열을 곱하고 결과 집합에서 원래 집합에 가장 가까운 변형을 가져옵니다.
비밀은 원래 시리즈를 일련의 메트릭으로 특정 변환하는 형태로 남아 있으며 더 중요하게는 역변환입니다.
일반적으로 이 모든 것이 의심스러워 보이며(우선 결과를 제시하는 스타일) 문제에 대한 추가 연구에 대한 열망을 일으키지 않습니다.
나는 조금 더 자세히 보았고 - 나는 내가 다소 잘못 알고 있음을 알았습니다. 그들은 원래 시리즈에서 일련의 움직이는 비선형 메트릭을 만듭니다(프랙탈 차원과 Lyapunov 지수에 대해 씁니다). 그들은 이 새로운 시리즈(실제 관찰을 기반으로 함)가 SB와 유사하다고 생각합니다. 그리고 그들은 미래에 Monte Carlo 방법을 사용하여 이 계열을 곱하고 결과 집합에서 원래 집합에 가장 가까운 변형을 가져옵니다.
비밀은 원래 시리즈를 일련의 메트릭으로 특정 변환하는 형태로 남아 있으며 더 중요하게는 역변환입니다.
일반적으로 이 모든 것은 의심스러워 보이며 (우선 결과를 제시하는 스타일) 문제에 대한 추가 연구에 대한 열망을 일으키지 않습니다 .
일종의 역겨운 배설물처럼 보입니다.
SCO를 계산하면 이전 막대의 가격에 대한 순진한 예측보다 나쁠 것입니다.
비밀은 원래 시리즈를 일련의 메트릭으로 특정 변환하는 형태로 남아 있으며 더 중요하게는 역 변환입니다.
코드가 있습니다!
글쎄, 그들은 우리를 DC 및 ECN 서버로 허용하지 않습니다) 우리는 모든 것을 스스로 발명해야합니다)
들여놓아도 별 소용이 없다.) 가격을 얻는 속도와 본질에 대한 확실한 정확성은 변하지 않을 것이다. 그러나 추세는 데이터의 FA를 평가하기 위한 가격 연구 및 알고리즘의 힘이 증가하고 있으며 불행히도 후자는 훨씬 느립니다. 그러나 추세가 있습니다))) 그리고 결과를 연결할 수있는 첫 번째 사람은 말을 타고 있습니다))) 한동안) ...
2014년 기사. 나는 확실히 그녀의 러시아어 번역이나 발표를 유명한 "상인-교사"의 작품에서 읽었습니다.
추세가 있을 때는 예측이 좋고 추세가 바뀌는 순간에는 예측이 틀렸다는 사실로 모든 것이 요약되어 어렴풋이 기억납니다. 얼마 남지 않았다)
MO의 화제는 DSP와 Arim의 수준으로 미끄러져, 쿨
글쓴이들은 아리마나 가치를 정상적으로 사용하지 못해서 직선이 보이지 않게 하였지만
정현파 등에 대해 ischo를 작성합니다.코드가 있습니다!
기사 작성자가 세 번째 부분에서 코드를 작성할 때 어떻게 되었는지 모르겠지만 코드가 세 곳에서 "깨져" 있었습니다.
나는 고쳤다
놀다
MO의 주제는 DSP 수준으로 미끄러졌습니다 ......
조금 알면 주변에 기적만 있을 뿐...