샘플링 윈도우가 좁아짐에 따라 FZ가 감소하는 것이 분명하지만, 동시에 오퍼레이터의 평활화 특성이 악화됩니다. 우리는 평활화와 지연의 품질 사이에서 절충안을 찾아야 합니다. 따라서 오퍼레이터의 FZ를 주파수 응답의 동일하거나 가까운 매개변수(통과대역의 균일성, 차단 급경사)와 비교하는 것이 옳습니다. 이와 관련하여 Butterworth 필터는 통과대역에서 최소(0이 아님!) FZ를 가지며 차단 주파수에서 현저하게 증가합니다. 이러한 관점에서 웨이블릿 변환에 기반한 필터링 방법과 고전적인 필터링 방법을 비교하는 것은 흥미로운 일입니다.
여기에 동의합니다. 비교하자면... 웨이블릿의 경우 말씀하신 특성(주파수 응답, PF 등)을 직접적으로 계산하기가 쉽지 않습니다. 나는 지금 이것에 대한 이론을 깊이 파고 싶지 않습니다. 그러나 특정 가격대에 대한 몇 가지 실험을 계획하고 있습니다. 의미 있는 결과를 얻으면 공유하겠습니다. 하지만 시간이 걸린다...
우리가 어딘가에 무언가를 외삽하려고 한다면 연방법이 필연적으로 생길 것입니다. 실제로 시계열의 오른쪽 끝에 앉아서 한 단계 앞으로 외삽하면 연구 중인 시리즈의 가능한 값을 얻을 수 있습니다. 다음 카운트에서 수신된 값을 실제 값과 비교하고 수신된 오류를 기억합니다. 두 번째 점에 대한 입력 데이터 업데이트 등을 고려하여 이 절차를 한 번 더 반복합니다. 등. 결과적으로 초기 및 예측의 두 가지 시계열이 있습니다. 그것들이 정확히 일치하지 않는다는 것은 분명하지만 많이 발산하지도 않고 FZ에 의해서만 서로 상대적으로 이동합니다! 따라서 이 경우에는 FZ라는 용어가 적절하다고 생각합니다.
기본적으로 저도 동의합니다. 서로 다른 영역이 자체 용어, 기본 용어 집합을 개발했으며 이러한 집합은 종종 교차하지 않습니다.
예측에 대한 또 다른 뉘앙스. 예를 들어, 다항식으로 근사하고 이 다항식을 미래로 계속해서 원래 가격 시리즈를 전체적으로 추정할 수 있습니다(아래에 이 예 제공). 그러나 다른 접근 방식이 있습니다. 먼저 시리즈를 더 간단한 구성 요소로 분해할 수 있습니다. 푸리에, 웨이블릿 등 정보 손실 없이 가역적인 변환이 많이 있습니다. 그런 다음 각 구성 요소에 대해 외삽을 수행합니다. 그리고 이러한 부분은 전체보다 간단하기 때문에 외삽하기가 더 쉬우며 적어도 더 편리하고 효율적입니다. 그리고 아마도 더 잘 될 것입니다. 얻은 결과를 되돌려 시리즈 전체에 대한 외삽을 얻습니다. 물론 이 두 가지 접근 방식은 본질적으로 동일하지만 저는 두 번째 접근 방식을 더 좋아합니다. 아마 저 뿐만이 아닐 것입니다. 푸리에 고조파를 사용한 가격 예측에 대해 논의하기 위해 인터넷에서 한 번 이상 방문했습니다. 비록 내가 본 것은 다소 서툴었지만. 이에 따라 결과.
이제 동료들이여, 저를 비난하십시오. 나는 모든 외삽이 시계열(TS)이 선택한 방향을 "따라가는" 속성이 있음을 의미한다고 주장합니다. 실제로, n 차 다항식으로 한 단계 앞서 외삽하면 최소한 이 단계에서는 1차 도함수의 연속성, 두 번째 ... n-1 원본 시리즈의 연속성을 가정합니다. 내가 이끌고 있어? 1차 도함수의 준영구성은 선택된 시간 프레임(TF)에서 VR의 양의 자기상관 계수(CA)에 불과합니다. 브라운형 VR에 외삽을 적용하는 것은 무의미하다고 알려져 있다. 왜요? 예, 그러한 시리즈의 CA는 동일하게 0입니다! 그러나 결국, 음수 KA를 가진 VR이 있습니다... 거기에 외삽을 적용하는 것은 단순히 올바르지 않습니다(내가 옳다면) - 가격은 예측된 방향과 반대 방향으로 갈 가능성이 더 큽니다. 그리고 간식으로: Forex 시장의 거의 모든 VR에는 음의 자기상관 함수가 있습니다(이것은 모든 종류의 시간 프레임에 대해 KA에서 구축한 함수입니다) - 이것은 의학적 사실입니다! 예외는 짧은 기간의 일부 통화 상품과 주간 시간대의 Sberbank 및 RAO EU 주식입니다. 이것은 특히 이동 평균의 작동을 기반으로 한 현대 TS 시장의 작동 불가능성을 설명합니다. 동일한 외삽 시도입니다. 내가 틀리지 않았다면, 웨이블릿은 선험적으로 자신의 기능을 올바르게 수행할 수 없는 영역에 있음을 발견합니다.
이전 게시물을 올바르게 기억한다면 자기 상관 함수를 계산하려면 먼저 가격 계열을 구별해야 합니다. 따라서 시리즈의 저주파 및 중간 주파수 고조파를 많이 버리고 있음을 염두에 두십시오! 통계의 경우 이 접근 방식은 물론 타당합니다. 하지만 우리는 아기를 물과 함께 여기 밖으로 던지고 있지 않습니까? 결국, 많은 흥미로운 것들이 저주파에 있습니다. 예를 들어 추세 움직임. 경험적 수준에서 모든 사람은 시장 패턴이 반복된다는 데 동의합니다. 실제로, 쌍둥이 형제처럼 유사하지만 매우 중요한 기간(때로는 몇 년)으로 구분되는 모든 금융 상품의 역사에서 추세 채널 또는 기타 수치를 쉽게 찾을 수 있습니다. 그것은 사실이다. 나는 당신이 이것으로 논쟁하지 않기를 바랍니다? 또한 이러한 "현상"의 특성(트렌드 채널의 고유 주파수, 평균 수명 등 - 이제 정의하는 방법을 확장하지 않겠습니다)은 종종 실질적으로 일치합니다(비슷한 규모에서 - 분과 평균 수명을 비교하는 것은 의미가 없습니다. 일), 그러나 시간에 갑자기 변화하지 않고 항상 부드럽게 표류합니다. 웨이블릿 방법을 사용하여 이 사실을 시각적으로 증명할 수 있습니다. 지금은 별도의 예를 들고 있지만 곧 역사에 대한 대표적인 통계를 선택하겠습니다.
이것은 무엇을 의미할 수 있습니까? 직접적인 정보 연결은 불가능합니다. 시장 장기 기억 - 의심스럽습니다. 시장의 내부 구조, 우리가 알지 못하는 깊은 속성의 표현이 가능합니다. 시간이 지남에 따라 매끄럽고 차분하게 정리되는 일련의 시장 고유 주파수가 있는 것처럼 보입니다. 왜 많은 트렌드 채널이 그렇게 비슷합니까? 속성이 왜 그렇게 안정적입니까? 유사한 구조가 다른 수준의 중첩에서 나타나고 빈도별 분포가 완전히 무작위가 아닌 이유는 무엇입니까? 단순히 프랙탈리티를 언급하는 것은 그다지 건설적이지 않습니다. 그리고 가장 중요한 것은 거래에 사용할 수 있습니까?
나는 여기서 통계적 접근을 과소평가하려는 것이 아니다. 한 때 AK를 기반으로 한 예측 범위를 고려했습니다. 존재하는 것이 좋습니다. 이 사실을 적절한 상황에서 활용하자! 하지만 시장은 통계적 속성에만 국한되지 않는 것 같아요. 우리가 시장의 "동적" 속성을 보고 파악할 수 있다면 이는 우리에게 추가적인 이점을 제공할 것입니다. 나는 당신이 이것을 상관하지 않기를 바랍니다?
Andre69 그러나 다른 접근 방식이 있습니다. 먼저 시리즈를 더 간단한 구성 요소로 분해할 수 있습니다. 푸리에, 웨이블릿 및 기타 호스트와 같이 정보 손실 없이 가역적인 변환이 많이 있습니다. 그런 다음 각 구성 요소에 대해 외삽을 수행합니다.
잔디 또한 모든 방법을 사용하여 이러한 양의 미래 값을 예측합니다(가장 간단한 선형 회귀 또는 포물선, 더 복잡한 방법, 애벌레, 신경망 등이 있을 수 있음, 아직 중요하지 않음).
흠, 많은 주파수에서 동시 이완을 의미합니까? :) 하지만 좋아, 나는 1/f에 대해 이야기하지 않기로 약속했다 :) 나는 이와 같은 것을 시도하기 시작했지만 단순한 외삽은 좋은 것을주지 못했습니다. 분명히 요약하면 개별 구성 요소의 외삽 오류가 서로 상쇄되지 않습니다. 아마도 내가 너무 멀리 외삽했기 때문일 수 있습니다(5개 막대 이상). 그러나 또 다른 것도 가능합니다. 구성 요소의 진폭 변화는 독립적이지 않습니다. 예를 들어 FZ는 필터가 고주파를 보지 못한다고 말할 수 있습니다. 그러나 사실, 그는 잠시 후 여전히 그들에게 반응합니다. 즉, 특정 최종 속도로 에너지가 고주파에서 저주파로 전달되는 것처럼. 여기에서 몇 가지 패턴을 찾아볼까요? 이론은 이것에 대해 무엇이라고 말합니까?
Andre69 Но есть и другой подход. Можно сначала разложить наш ряд на более простые компонетры. Обратимых преобразований без потери информации полно - Фурье, вейвлеты и масса других. Затем мы делаем экстраполяцию для каждого компонента.
잔디 또한 모든 방법을 사용하여 이러한 양의 미래 값을 예측합니다(가장 간단한 선형 회귀 또는 포물선, 더 복잡한 방법, 애벌레, 신경망 등이 있을 수 있음, 아직 중요하지 않음).
흠, 많은 주파수에서 동시 이완을 의미합니까? :) 하지만 좋아, 나는 1/f에 대해 이야기하지 않기로 약속했다 :) 나는 이와 같은 것을 시도하기 시작했지만 단순한 외삽은 좋은 것을주지 못했습니다. 분명히 요약하면 개별 구성 요소의 외삽 오류가 서로 상쇄되지 않습니다. 아마도 내가 너무 멀리 외삽했기 때문일 수 있습니다(5개 막대 이상). 그러나 또 다른 것도 가능합니다. 구성 요소의 진폭 변화는 독립적이지 않습니다. 예를 들어 FZ는 필터가 고주파를 보지 못한다고 말할 수 있습니다. 그러나 사실, 그는 잠시 후 여전히 그들에게 반응합니다. 즉, 특정 최종 속도로 에너지가 고주파에서 저주파로 전달되는 것처럼. 여기에서 몇 가지 패턴을 찾아볼까요? 이론은 이것에 대해 무엇이라고 말합니까?
따라서이 모든 것은 넌센스이며 작동하지 않습니다. :o(((나는 추세에 대한 패턴을 찾는 데 반년을 보냈습니다(추세는 LR 채널 및 기간의 추정치를 의미함). 그러나 아무 것도 찾지 못했습니다. 알려진 모든 통계를 시도했지만 아무 것도 작동하지 않습니다. 는 이러한 채널의 길이를 결정하기 위한 경험적 함수를 도출했지만, 결국에는 그 결과에 매우 만족하지 않았습니다.
그리고 주파수 사이의 에너지 흐름에서 패턴을 찾는 데 평생을 보내고 아무 것도 찾지 못할 수 있습니다. 하지만…. :에 대한))))
드디어 자유시간이 생겼고 웨이블릿에 대한 포스팅을 계속 하려고 합니다. 지연에 대한 유감. 인생의 헛된 헛됨이 마음을 산만하게 한다...
이전에 DWT에 대해 아주 간략하게 이야기했습니다. 이제 CWT에 대해 알아보십시오. 비교할 수 있도록 다음을 반복하겠습니다. 1. DWT용 웨이블릿은 반드시 스케일링 기능이 있어야 합니다. 2. DWT는 이론뿐 아니라 실제로도 역변환을 통해 원본 시리즈의 전체 재구성(PR)을 제공합니다. 3. 원래 시리즈의 구성원이 있는 것과 정확히 동일한 수의 DWT 계수가 있습니다. 일반적으로 길이가 다른 벡터 세트로 저장됩니다. 4. 변환의 각 단계에서 스케일이 정확히 두 번 변경됩니다(2차원 변환 - 스케일 스케일: 1,2,4,8...). 5. 실제로 DWT 계수는 원래 시리즈에 짧은 필터 세트를 적용하여 계산됩니다. 분해에 두 개의 필터와 재구성에 두 개의 필터(Mull's algorithm). 6....나머지는 지금 여기가 중요하지 않아...
자, 여러분, 지속적인 변환 - CWT는 위의 모든 점에서 DWT와 다릅니다!
1. CWT용 웨이블릿은 스케일링 기능이 전혀 필요하지 않습니다. 즉, DWT에서 사용되는 웨이블릿은 CWT에 매우 적합하지만 그 반대는 사실이 아닙니다. 이것은 실질적으로 무엇을 의미합니까? CWT에 대한 웨이블릿 함수는 최종 간격을 벗어나서 0으로 갈 필요가 없으며, 거기서 빨리 떨어지면 충분합니다. 따라서 여기에서 매우 흥미롭고 유용한 웨이블릿을 많이 사용할 수 있습니다. 그 중에는 Morlet wavelet(매우 간단하고 유용한 것), 멕시코 모자, Gaussian wavelet의 가족 등이 있습니다. 2. CWT는 이론상으로만 완전한 재구성을 제공합니다. 실제로 우리는 항상 유한한 데이터 세트로 작업하고 유한한 스케일 세트(제한된 컴퓨터 메모리, 계산 시간 등)를 사용할 수 있습니다. 그러나 이것이 역변환이 불가능하다는 것을 의미하지는 않습니다! 충분히 가능합니다! 모든 것이 올바르게 수행되면 역변환 중에 첫 번째, 가장 낮은 주파수 고조파(일정한 구성 요소와 첫 번째 중 하나 또는 두 개)만 왜곡됩니다. 연습에서 알 수 있듯이 종종 그것은 중요하지 않습니다. 그러니 긴장을 풀고... 계속 가자... 3. CWT는 매우 중복된 변환입니다. 계수는 원래 계열의 항보다 수십 배 더 클 수 있습니다. 일반적으로 직사각형 매트릭스로 구성됩니다. 너비 - 시간 (원래 시리즈의 구성원 수), 높이 - 척도에 따라. 직사각형 행렬이란 무엇입니까? 바르게. 적절한 스케일링으로 데이터는 이미지, 그림입니다. 이것은 개인적으로 CWT에서 가장 좋아하는 것입니다. 한때 나는 이미지 인식의 의미를 포함하여 이미지 처리에 매우 밀접하게 관여했기 때문에 그러한 이미지를 올바르게 처리하고 이미지에서 모든 종류의 다양한 기능을 찾을 수 있습니다. 또한 이러한 기능이 원래 시리즈와 쉽게 연관될 수 있고 주어진 기능이 원래 시리즈의 어느 위치에 해당하는지 항상 알 수 있다는 것도 매력적입니다. 가격 시리즈에 대한 CWT 결과에서 시장의 다중 규모 특성은 모든 영광에서 볼 수 있고 프랙탈리티는 한 번에 드러납니다. 단순히 명확하게 볼 수 있으며 훨씬 더 많습니다. 4. CWT의 규모는 무엇이든 될 수 있습니다. 보다 정확하게는, 단조 증가하는 일련의 자연수일 수 있습니다. 선형을 원하십니까, 로그를 원하십니까, 아니면 기타를 원하십니까? 특정 작업에 더 편리한 것. 그리고 이것은 좋다! 5. CWT의 실제 계산은 어렵지 않습니다. 웨이블릿 함수는 적절한 방식으로 이산화되며 변환의 정확도를 높이려면 더 많은 포인트를 가져와야 합니다. 그런 다음 첫 번째 척도에 따라 확장되고 데이터와 컨볼루션됩니다. 말하자면 양복을 입어보십시오. 저울 세트가 소진될 때까지 모든 것을 반복합니다. 결과는 미리 준비된 행렬의 해당 행에 기록됩니다. 역변환도 문제를 일으키지 않습니다. 우리는 문헌에서 가져온 역 CWT 공식에 따라 행동합니다. 그러나 한 가지 단점이 있습니다. 많은 계산과 많은 메모리 소비입니다. 지금 내 평균적인 컴퓨터(3년 전에는 좋았음)에서 2000-3000 샘플 길이의 가격 시리즈 조각을 처리하는 데 15-20초가 걸립니다. C ++ 코드는 고도로 최적화되어 있지만 컨볼루션 정리가 사용되며 세계에서 가장 빠른 푸리에 변환 라이브러리 중 하나입니다. 예... MQL에서는 이것을 프로그래밍할 수 없습니다.
이제 시장 분석의 방향으로 CWT를 사용하여 취한 첫 번째 단계와 가격 곡선을 외삽하는 방법에 대해 알아보겠습니다.
우선 Morlet 웨이블릿을 작업에 사용했습니다. 이 웨이블릿이 있는 CWT는 가우스 창이 있는 창 푸리에 변환과 동일합니다. 글쎄, 이것은 모든 교과서에 기록되어 있습니다 ... 웨이블릿 매개 변수를 하나만 선택하면 시간 및 주파수 영역에서 너비의 비율을 변경할 수 있습니다. 편안하다. 그림에서 더 나아가 EURUSD 시리즈에 대한 CWT(상단, 팽창 계수는 조건부 색상으로 표시됨) - 시간별 종가. 그 조각은 역사에서 가져온 것입니다. 정확히는 지금은 중요하지 않습니다. 아래는 가격대입니다. 여기서 무엇을 말할 수 있습니까? 시장의 프랙탈리티가 명확하게 보입니다. 가격 곡선의 고점과 저가는 잘 현지화되어 있습니다. 쉽지는 않지만 그림의 구조는 다양한 규모의 추세 채널과 연관될 수 있습니다. 다른 무엇? 참고 - 놀라운 사실이 보입니다. 시장은 특정 저울을 좋아하지 않습니다!
나는 여기에 아주 전형적인 그림을 보여주었다. 그러한 그림을 여러 장 만들어 나란히 놓으면 어떤 구조가 어떻게 생겨나고 발전하고 사라지고 다른 구조로 대체되는지 추적할 수 있습니다. 규칙성이 있다는 환상도 있습니다. 또한 그림을 3차원 표현으로 번역하는 데 영감을 줍니다. 이 문제를 더 잘 처리하기 위해 그런 사진으로 영화를 만들고 싶습니다. 하지만 시간이 오래 걸리겠죠... 다른 웨이블릿은 비슷한 그림을 제공하지만 Morlaix의 경우 해석이 더 직접적입니다. 그래서 나는 지금 그것을 고수하고 있습니다.
그런 사진을 보는 것 외에도 더 의미 있는 일을 할 수 있습니다. 예를 들어, 웨이블릿 스펙트럼을 얻으려면. 이것은 웨이블릿에 대한 Parseval의 정리가 작동하기 때문에 가능합니다. Morlet 웨이블릿의 경우 스펙트럼은 푸리에 스펙트럼과 유사하며 강하게 평활화되고 그렇지 않으면 크기가 조정됩니다. 그러나 분석을 위해 그것은 하늘과 땅입니다. 가격 시리즈의 섹션에 대한 푸리에 스펙트럼을 많이 보았지만 이러한 울타리를 보고 확실한 결론에 도달할 수 없었습니다. 여기 모든 것이 명확하고 논리적으로 보입니다. 그러나 이러한 스펙트럼에 대한 논의는 길 수 있습니다. 지금 여기 말고 갑시다. 죄송합니다, 아직 사진을 게시하지 않았습니다. 다른 컴퓨터에 있는 것뿐입니다. 가져와야 합니다. 관심있으시면 나중에 올리겠습니다.
이제 외삽입니다. 그리고 시리즈 자체 대신 CWT 행렬을 외삽해 보겠습니다. 어떻게? 자세한 내용은 저작권을 준수하여 침묵하겠습니다. 그러나 멋지고 아주 사소하지 않은 아이디어가 있습니다. 여기에서 멋진 일을 하거나 ... 매우 큰 갈퀴를 밟을 수 있다는 내면의 목소리가 있습니다. 두 경우 모두, 당신은 내 비밀의 동기를 이해할 것입니다. 아이디어를 코드로 변환하고, 히스토리와 데모에서 테스트하고, 이러한 결과를 요약해야 합니다. 그러면 뭔가에 대해 이야기할 수 있습니다. 그리고 이것은 오랜 시간 동안 모두입니다. 종자의 경우 가격 시리즈 200을 앞지른 부분(파란색 곡선)을 외삽한 결과 사진을 게시합니다.
물론 이것이 항상 잘 작동하는 것은 아니지만 꽤 자주 작동합니다. 얼마나 자주 - 확인하지 않았습니다. 그것은 말도 안돼. 첫 시도였습니다. 알고리즘은 완전한 원시적이며 가장 먼저 떠오른 것입니다. 이제 그는 이 모든 것을 포기했습니다.
...먼저 가격대를 차별화합니다. 따라서 시리즈의 저주파 및 중간 주파수 고조파를 많이 버리고 있다는 사실을 염두에 두십시오! 통계의 경우 이 접근 방식은 물론 타당합니다. 하지만 우리는 아기를 물과 함께 여기에서 던지고 있지 않습니까? ...
미분할 때 신호의 저주파 성분에 대한 정보는 손실되지 않습니다. 실제로 일련의 잔차를 통합한 후 모든 추세에 특정 상수를 더한 원래 시계열을 얻을 수 있습니다. 따라서 미분에 의한 원 급수의 정상성은 수학적 관점에서 매우 정확하다. 그러나 여기에서 매복이 발생합니다. 인접 샘플의 잘못된 상관 관계가 생성되지만 이것은 별도의 노래입니다. 그렇지 않으면 Andre69, 나는 당신의 말에 동의합니다. 그리고 유익한 답변 감사합니다.
유리크스에게
그러나 예를 들어 2차 다항식과 같이 더 복잡한 것을 취하면 모든 것이 옳지 않습니다. 나는 분명히 할 것입니다 : 우리는 가까운 장래에 대한 외삽에 대해 이야기하고 있습니다. 따라서 일반적인 2차 함수의 도움으로(수열이 본질적으로 이를 허용한다면) 전환점의 접근을 예측하는 것이 가능합니다. 그리고 그것이 바로 모든 사람에게 필요한 것입니다. 특히 - 더 높은 차수의 다항식.
나는 일반적인 경우에 n 차 다항식으로 시계열 을 보간하기 위한 공식을 종이에 쓰기 시작했습니다. 그리고 유라, 제가 결국 무엇을 얻었나요? - 테일러 시리즈 확장(RT) 어느 지점 부근! 그의 천재성에 놀랐습니다 :-) 그리고 약간의 생각 끝에 그는 그래야 한다는 결론에 도달했습니다. 실제로, 본질적으로 RT는 첫 번째, 두 번째, ..., n-1 도함수의 동작을 모델링하는 더 작은 가중치로 더 큰 차수의 다항식을 합산하여 원래 함수에 대한 점으로의 근사입니다. 정의에 따르면 이 장치는 초기 행이 SMOOTH인 경우 사용할 수 있습니다. 도함수가 정의되고 n-1 번째까지 존재합니다. VR 금융 상품은 평활 상품의 클래스에 속하지 않으므로 RT의 확장을 적용할 수 없거나 다항식에 의한 외삽을 사용할 수 있습니다. 그건 그렇고, 시리즈의 부드러움은 KA의 긍정에 지나지 않습니다! 저것들. 행은 방향을 바꾸는 것보다 시작했던 움직임을 계속할 것입니다. 예, 비즈니스! 매끄럽지 않은 함수와 그 분석 방법을 연구하는 분야에서 수학 섹션을 만들어야 할 것 같습니다...
칸디다 에 약 1년 반 전쯤 저는 푸리에 분석을 이용한 VR 외삽에 적극적으로 참여했습니다. 임의의 미리 결정된 고조파 수를 합산하고 주어진 수만큼 미래로 확장하는 프로그램을 작성했습니다. 코드의 정확성을 확인하기 위해 첫 번째 피아노 건반의 소리를 디지털화했습니다(호기심에 대해 LA 하청 계약은 500개 이상의 고조파를 포함하고 분석하기가 매우 어렵습니다). 주요 고조파의 주기. 그 결과는 그 아름다움에 놀랐습니다. 결과 사운드는 실제 사운드와 구별할 수 없었습니다. 저것들. 내 코드는 이 빌어먹을 소리의 뒤죽박죽의 추가 동작을 완벽하게 예측했습니다!!! 영감을 받아 시장을 깰 준비가되었습니다 ... 그러나 시장은 나를 눈치 채지 못했습니다. 그는 나를 넘어섰습니다 - 이빨로 무장한 군인이 그의 길을 갔습니다! 요점은 시장에 고정 고조파가 없다는 것이 밝혀졌습니다 ...
나는 그것을 알아 냈다고 생각했다 :). 각 고조파에 대한 외삽 계수는 각 막대에서 다시 계산되었습니다. 베이스는 고조파 기간의 1/4과 같았고 외삽 길이는 기간의 1/8이었습니다. 또한, 목표는 지속적인 예측을 얻는 것이 아니 었습니다. 목표는 적어도 일부 사이트에 대한 좋은 예측을 얻은 다음 이러한 사이트가 다른 사이트와 어떻게 다른지 이해하려고 시도하는 것이었습니다. 아아, 결과 예측은 정지된 시계가 시간을 표시하는 것과 거의 같은 방식으로 가격을 표시했습니다. :)
여기에 동의합니다. 비교하자면... 웨이블릿의 경우 말씀하신 특성(주파수 응답, PF 등)을 직접적으로 계산하기가 쉽지 않습니다. 나는 지금 이것에 대한 이론을 깊이 파고 싶지 않습니다. 그러나 특정 가격대에 대한 몇 가지 실험을 계획하고 있습니다. 의미 있는 결과를 얻으면 공유하겠습니다. 하지만 시간이 걸린다...
기본적으로 저도 동의합니다. 서로 다른 영역이 자체 용어, 기본 용어 집합을 개발했으며 이러한 집합은 종종 교차하지 않습니다.
예측에 대한 또 다른 뉘앙스. 예를 들어, 다항식으로 근사하고 이 다항식을 미래로 계속해서 원래 가격 시리즈를 전체적으로 추정할 수 있습니다(아래에 이 예 제공).
그러나 다른 접근 방식이 있습니다. 먼저 시리즈를 더 간단한 구성 요소로 분해할 수 있습니다. 푸리에, 웨이블릿 등 정보 손실 없이 가역적인 변환이 많이 있습니다. 그런 다음 각 구성 요소에 대해 외삽을 수행합니다. 그리고 이러한 부분은 전체보다 간단하기 때문에 외삽하기가 더 쉬우며 적어도 더 편리하고 효율적입니다. 그리고 아마도 더 잘 될 것입니다. 얻은 결과를 되돌려 시리즈 전체에 대한 외삽을 얻습니다.
물론 이 두 가지 접근 방식은 본질적으로 동일하지만 저는 두 번째 접근 방식을 더 좋아합니다. 아마 저 뿐만이 아닐 것입니다. 푸리에 고조파를 사용한 가격 예측에 대해 논의하기 위해 인터넷에서 한 번 이상 방문했습니다. 비록 내가 본 것은 다소 서툴었지만. 이에 따라 결과.
나는 모든 외삽이 시계열(TS)이 선택한 방향을 "따라가는" 속성이 있음을 의미한다고 주장합니다. 실제로, n 차 다항식으로 한 단계 앞서 외삽하면 최소한 이 단계에서는 1차 도함수의 연속성, 두 번째 ... n-1 원본 시리즈의 연속성을 가정합니다. 내가 이끌고 있어? 1차 도함수의 준영구성은 선택된 시간 프레임(TF)에서 VR의 양의 자기상관 계수(CA)에 불과합니다. 브라운형 VR에 외삽을 적용하는 것은 무의미하다고 알려져 있다. 왜요? 예, 그러한 시리즈의 CA는 동일하게 0입니다! 그러나 결국, 음수 KA를 가진 VR이 있습니다... 거기에 외삽을 적용하는 것은 단순히 올바르지 않습니다(내가 옳다면) - 가격은 예측된 방향과 반대 방향으로 갈 가능성이 더 큽니다.
그리고 간식으로: Forex 시장의 거의 모든 VR에는 음의 자기상관 함수가 있습니다(이것은 모든 종류의 시간 프레임에 대해 KA에서 구축한 함수입니다) - 이것은 의학적 사실입니다! 예외는 짧은 기간의 일부 통화 상품과 주간 시간대의 Sberbank 및 RAO EU 주식입니다. 이것은 특히 이동 평균의 작동을 기반으로 한 현대 TS 시장의 작동 불가능성을 설명합니다. 동일한 외삽 시도입니다.
내가 틀리지 않았다면, 웨이블릿은 선험적으로 자신의 기능을 올바르게 수행할 수 없는 영역에 있음을 발견합니다.
이전 게시물을 올바르게 기억한다면 자기 상관 함수를 계산하려면 먼저 가격 계열을 구별해야 합니다. 따라서 시리즈의 저주파 및 중간 주파수 고조파를 많이 버리고 있음을 염두에 두십시오! 통계의 경우 이 접근 방식은 물론 타당합니다. 하지만 우리는 아기를 물과 함께 여기 밖으로 던지고 있지 않습니까?
결국, 많은 흥미로운 것들이 저주파에 있습니다. 예를 들어 추세 움직임.
경험적 수준에서 모든 사람은 시장 패턴이 반복된다는 데 동의합니다. 실제로, 쌍둥이 형제처럼 유사하지만 매우 중요한 기간(때로는 몇 년)으로 구분되는 모든 금융 상품의 역사에서 추세 채널 또는 기타 수치를 쉽게 찾을 수 있습니다. 그것은 사실이다. 나는 당신이 이것으로 논쟁하지 않기를 바랍니다?
또한 이러한 "현상"의 특성(트렌드 채널의 고유 주파수, 평균 수명 등 - 이제 정의하는 방법을 확장하지 않겠습니다)은 종종 실질적으로 일치합니다(비슷한 규모에서 - 분과 평균 수명을 비교하는 것은 의미가 없습니다. 일), 그러나 시간에 갑자기 변화하지 않고 항상 부드럽게 표류합니다. 웨이블릿 방법을 사용하여 이 사실을 시각적으로 증명할 수 있습니다. 지금은 별도의 예를 들고 있지만 곧 역사에 대한 대표적인 통계를 선택하겠습니다.
이것은 무엇을 의미할 수 있습니까? 직접적인 정보 연결은 불가능합니다. 시장 장기 기억 - 의심스럽습니다. 시장의 내부 구조, 우리가 알지 못하는 깊은 속성의 표현이 가능합니다. 시간이 지남에 따라 매끄럽고 차분하게 정리되는 일련의 시장 고유 주파수가 있는 것처럼 보입니다.
왜 많은 트렌드 채널이 그렇게 비슷합니까? 속성이 왜 그렇게 안정적입니까? 유사한 구조가 다른 수준의 중첩에서 나타나고 빈도별 분포가 완전히 무작위가 아닌 이유는 무엇입니까? 단순히 프랙탈리티를 언급하는 것은 그다지 건설적이지 않습니다. 그리고 가장 중요한 것은 거래에 사용할 수 있습니까?
나는 여기서 통계적 접근을 과소평가하려는 것이 아니다. 한 때 AK를 기반으로 한 예측 범위를 고려했습니다. 존재하는 것이 좋습니다. 이 사실을 적절한 상황에서 활용하자!
하지만 시장은 통계적 속성에만 국한되지 않는 것 같아요. 우리가 시장의 "동적" 속성을 보고 파악할 수 있다면 이는 우리에게 추가적인 이점을 제공할 것입니다. 나는 당신이 이것을 상관하지 않기를 바랍니다?
감사합니다.
행운을 빕니다. 트렌드를 따르십시오!
결국, 많은 흥미로운 것들이 저주파에 있습니다. 예를 들어, 추세 움직임.
그건 그렇고, 그 아이디어는 어리석은 것일 수 있지만 여전히. 예를 들어, 일부 기기에 대해 주파수 범위(플로팅 가능)를 정의하면 저주파를 더욱 상징하게 됩니다. 고정 슬라이딩 창을 사용하여 행을 따라 이동하고 우리가 구축하는 각 샘플에 대해(저주파수 내에서):
- 또는 일부 총 계수, 예를 들어 진폭의 합,
- 또는 저주파의 총 에너지
- 또는 저주파의 해당 세그먼트의 각 진폭을 고려합니다.
- (옵션이 있을 수 있음).
또한 모든 방법을 사용하여 이러한 양의 미래 값을 예측합니다(가장 간단한 선형 회귀 또는 포물선, 더 복잡한 방법, 애벌레, 신경망 등이 있을 수 있음, 아직 중요하지 않음).
미래 판독 값에서 예측된 고조파 값을 얻으면 신호를 "어떻게 든"복원합니다. 예측된 저주파에 따라 미래의 "추세"처럼 저주파 신호를 복원합니다.
나는 이것을 인정해야 한다, 나의 손은 아직 닿지 않았다. 동료 여러분, 진폭도 랜덤 변수가 될 것이라는 점을 이해하지만 아직까지는 어떻습니까?
그러나 다른 접근 방식이 있습니다. 먼저 시리즈를 더 간단한 구성 요소로 분해할 수 있습니다. 푸리에, 웨이블릿 및 기타 호스트와 같이 정보 손실 없이 가역적인 변환이 많이 있습니다. 그런 다음 각 구성 요소에 대해 외삽을 수행합니다.
또한 모든 방법을 사용하여 이러한 양의 미래 값을 예측합니다(가장 간단한 선형 회귀 또는 포물선, 더 복잡한 방법, 애벌레, 신경망 등이 있을 수 있음, 아직 중요하지 않음).
흠, 많은 주파수에서 동시 이완을 의미합니까? :) 하지만 좋아, 나는 1/f에 대해 이야기하지 않기로 약속했다 :)
나는 이와 같은 것을 시도하기 시작했지만 단순한 외삽은 좋은 것을주지 못했습니다. 분명히 요약하면 개별 구성 요소의 외삽 오류가 서로 상쇄되지 않습니다. 아마도 내가 너무 멀리 외삽했기 때문일 수 있습니다(5개 막대 이상). 그러나 또 다른 것도 가능합니다. 구성 요소의 진폭 변화는 독립적이지 않습니다. 예를 들어 FZ는 필터가 고주파를 보지 못한다고 말할 수 있습니다. 그러나 사실, 그는 잠시 후 여전히 그들에게 반응합니다. 즉, 특정 최종 속도로 에너지가 고주파에서 저주파로 전달되는 것처럼. 여기에서 몇 가지 패턴을 찾아볼까요? 이론은 이것에 대해 무엇이라고 말합니까?
Но есть и другой подход. Можно сначала разложить наш ряд на более простые компонетры. Обратимых преобразований без потери информации полно - Фурье, вейвлеты и масса других. Затем мы делаем экстраполяцию для каждого компонента.
또한 모든 방법을 사용하여 이러한 양의 미래 값을 예측합니다(가장 간단한 선형 회귀 또는 포물선, 더 복잡한 방법, 애벌레, 신경망 등이 있을 수 있음, 아직 중요하지 않음).
흠, 많은 주파수에서 동시 이완을 의미합니까? :) 하지만 좋아, 나는 1/f에 대해 이야기하지 않기로 약속했다 :)
나는 이와 같은 것을 시도하기 시작했지만 단순한 외삽은 좋은 것을주지 못했습니다. 분명히 요약하면 개별 구성 요소의 외삽 오류가 서로 상쇄되지 않습니다. 아마도 내가 너무 멀리 외삽했기 때문일 수 있습니다(5개 막대 이상). 그러나 또 다른 것도 가능합니다. 구성 요소의 진폭 변화는 독립적이지 않습니다. 예를 들어 FZ는 필터가 고주파를 보지 못한다고 말할 수 있습니다. 그러나 사실, 그는 잠시 후 여전히 그들에게 반응합니다. 즉, 특정 최종 속도로 에너지가 고주파에서 저주파로 전달되는 것처럼. 여기에서 몇 가지 패턴을 찾아볼까요? 이론은 이것에 대해 무엇이라고 말합니까?
따라서이 모든 것은 넌센스이며 작동하지 않습니다. :o(((나는 추세에 대한 패턴을 찾는 데 반년을 보냈습니다(추세는 LR 채널 및 기간의 추정치를 의미함). 그러나 아무 것도 찾지 못했습니다. 알려진 모든 통계를 시도했지만 아무 것도 작동하지 않습니다. 는 이러한 채널의 길이를 결정하기 위한 경험적 함수를 도출했지만, 결국에는 그 결과에 매우 만족하지 않았습니다.
그리고 주파수 사이의 에너지 흐름에서 패턴을 찾는 데 평생을 보내고 아무 것도 찾지 못할 수 있습니다. 하지만…. :에 대한))))
- 가격 시리즈를 충동으로 배치했습니다(평균적으로 300-500회 판독 시리즈당 여러 조각으로 나타남).
- 신경망의 도움으로 새로운 충동을 예측
- 예측을 포함하여 이러한 펄스의 컨볼루션을 수행했습니다.
나는 결과에 별로 만족하지 못했다. 그래서 나는 왜 저주파를 예측하지 못할까 생각했습니다.
사실, 그것은 시험 풍선이었고 모든 아이디어가 실현 된 것은 아닙니다. 그런데 갑자기 설명할 수 없는 회의감이 저를 사로잡았습니다. 마음속에 간직하고 있지만.
지연에 대한 유감. 인생의 헛된 헛됨이 마음을 산만하게 한다...
이전에 DWT에 대해 아주 간략하게 이야기했습니다. 이제 CWT에 대해 알아보십시오.
비교할 수 있도록 다음을 반복하겠습니다.
1. DWT용 웨이블릿은 반드시 스케일링 기능이 있어야 합니다.
2. DWT는 이론뿐 아니라 실제로도 역변환을 통해 원본 시리즈의 전체 재구성(PR)을 제공합니다.
3. 원래 시리즈의 구성원이 있는 것과 정확히 동일한 수의 DWT 계수가 있습니다. 일반적으로 길이가 다른 벡터 세트로 저장됩니다.
4. 변환의 각 단계에서 스케일이 정확히 두 번 변경됩니다(2차원 변환 - 스케일 스케일: 1,2,4,8...).
5. 실제로 DWT 계수는 원래 시리즈에 짧은 필터 세트를 적용하여 계산됩니다. 분해에 두 개의 필터와 재구성에 두 개의 필터(Mull's algorithm).
6....나머지는 지금 여기가 중요하지 않아...
자, 여러분, 지속적인 변환 - CWT는 위의 모든 점에서 DWT와 다릅니다!
1. CWT용 웨이블릿은 스케일링 기능이 전혀 필요하지 않습니다. 즉, DWT에서 사용되는 웨이블릿은 CWT에 매우 적합하지만 그 반대는 사실이 아닙니다. 이것은 실질적으로 무엇을 의미합니까? CWT에 대한 웨이블릿 함수는 최종 간격을 벗어나서 0으로 갈 필요가 없으며, 거기서 빨리 떨어지면 충분합니다. 따라서 여기에서 매우 흥미롭고 유용한 웨이블릿을 많이 사용할 수 있습니다. 그 중에는 Morlet wavelet(매우 간단하고 유용한 것), 멕시코 모자, Gaussian wavelet의 가족 등이 있습니다.
2. CWT는 이론상으로만 완전한 재구성을 제공합니다. 실제로 우리는 항상 유한한 데이터 세트로 작업하고 유한한 스케일 세트(제한된 컴퓨터 메모리, 계산 시간 등)를 사용할 수 있습니다. 그러나 이것이 역변환이 불가능하다는 것을 의미하지는 않습니다!
충분히 가능합니다! 모든 것이 올바르게 수행되면 역변환 중에 첫 번째, 가장 낮은 주파수 고조파(일정한 구성 요소와 첫 번째 중 하나 또는 두 개)만 왜곡됩니다. 연습에서 알 수 있듯이 종종 그것은 중요하지 않습니다. 그러니 긴장을 풀고... 계속 가자...
3. CWT는 매우 중복된 변환입니다. 계수는 원래 계열의 항보다 수십 배 더 클 수 있습니다. 일반적으로 직사각형 매트릭스로 구성됩니다. 너비 - 시간 (원래 시리즈의 구성원 수), 높이 - 척도에 따라.
직사각형 행렬이란 무엇입니까? 바르게. 적절한 스케일링으로 데이터는 이미지, 그림입니다.
이것은 개인적으로 CWT에서 가장 좋아하는 것입니다. 한때 나는 이미지 인식의 의미를 포함하여 이미지 처리에 매우 밀접하게 관여했기 때문에 그러한 이미지를 올바르게 처리하고 이미지에서 모든 종류의 다양한 기능을 찾을 수 있습니다. 또한 이러한 기능이 원래 시리즈와 쉽게 연관될 수 있고 주어진 기능이 원래 시리즈의 어느 위치에 해당하는지 항상 알 수 있다는 것도 매력적입니다. 가격 시리즈에 대한 CWT 결과에서 시장의 다중 규모 특성은 모든 영광에서 볼 수 있고 프랙탈리티는 한 번에 드러납니다. 단순히 명확하게 볼 수 있으며 훨씬 더 많습니다.
4. CWT의 규모는 무엇이든 될 수 있습니다. 보다 정확하게는, 단조 증가하는 일련의 자연수일 수 있습니다. 선형을 원하십니까, 로그를 원하십니까, 아니면 기타를 원하십니까? 특정 작업에 더 편리한 것. 그리고 이것은 좋다!
5. CWT의 실제 계산은 어렵지 않습니다. 웨이블릿 함수는 적절한 방식으로 이산화되며 변환의 정확도를 높이려면 더 많은 포인트를 가져와야 합니다. 그런 다음 첫 번째 척도에 따라 확장되고 데이터와 컨볼루션됩니다. 말하자면 양복을 입어보십시오. 저울 세트가 소진될 때까지 모든 것을 반복합니다. 결과는 미리 준비된 행렬의 해당 행에 기록됩니다. 역변환도 문제를 일으키지 않습니다. 우리는 문헌에서 가져온 역 CWT 공식에 따라 행동합니다.
그러나 한 가지 단점이 있습니다. 많은 계산과 많은 메모리 소비입니다. 지금 내 평균적인 컴퓨터(3년 전에는 좋았음)에서 2000-3000 샘플 길이의 가격 시리즈 조각을 처리하는 데 15-20초가 걸립니다. C ++ 코드는 고도로 최적화되어 있지만 컨볼루션 정리가 사용되며 세계에서 가장 빠른 푸리에 변환 라이브러리 중 하나입니다. 예... MQL에서는 이것을 프로그래밍할 수 없습니다.
이제 시장 분석의 방향으로 CWT를 사용하여 취한 첫 번째 단계와 가격 곡선을 외삽하는 방법에 대해 알아보겠습니다.
우선 Morlet 웨이블릿을 작업에 사용했습니다. 이 웨이블릿이 있는 CWT는 가우스 창이 있는 창 푸리에 변환과 동일합니다. 글쎄, 이것은 모든 교과서에 기록되어 있습니다 ... 웨이블릿 매개 변수를 하나만 선택하면 시간 및 주파수 영역에서 너비의 비율을 변경할 수 있습니다. 편안하다.
그림에서 더 나아가 EURUSD 시리즈에 대한 CWT(상단, 팽창 계수는 조건부 색상으로 표시됨) - 시간별 종가. 그 조각은 역사에서 가져온 것입니다. 정확히는 지금은 중요하지 않습니다. 아래는 가격대입니다.
여기서 무엇을 말할 수 있습니까? 시장의 프랙탈리티가 명확하게 보입니다. 가격 곡선의 고점과 저가는 잘 현지화되어 있습니다. 쉽지는 않지만 그림의 구조는 다양한 규모의 추세 채널과 연관될 수 있습니다. 다른 무엇? 참고 - 놀라운 사실이 보입니다. 시장은 특정 저울을 좋아하지 않습니다!
나는 여기에 아주 전형적인 그림을 보여주었다. 그러한 그림을 여러 장 만들어 나란히 놓으면 어떤 구조가 어떻게 생겨나고 발전하고 사라지고 다른 구조로 대체되는지 추적할 수 있습니다. 규칙성이 있다는 환상도 있습니다. 또한 그림을 3차원 표현으로 번역하는 데 영감을 줍니다. 이 문제를 더 잘 처리하기 위해 그런 사진으로 영화를 만들고 싶습니다. 하지만 시간이 오래 걸리겠죠...
다른 웨이블릿은 비슷한 그림을 제공하지만 Morlaix의 경우 해석이 더 직접적입니다.
그래서 나는 지금 그것을 고수하고 있습니다.
그런 사진을 보는 것 외에도 더 의미 있는 일을 할 수 있습니다.
예를 들어, 웨이블릿 스펙트럼을 얻으려면. 이것은 웨이블릿에 대한 Parseval의 정리가 작동하기 때문에 가능합니다. Morlet 웨이블릿의 경우 스펙트럼은 푸리에 스펙트럼과 유사하며 강하게 평활화되고 그렇지 않으면 크기가 조정됩니다. 그러나 분석을 위해 그것은 하늘과 땅입니다. 가격 시리즈의 섹션에 대한 푸리에 스펙트럼을 많이 보았지만 이러한 울타리를 보고 확실한 결론에 도달할 수 없었습니다. 여기 모든 것이 명확하고 논리적으로 보입니다. 그러나 이러한 스펙트럼에 대한 논의는 길 수 있습니다. 지금 여기 말고 갑시다. 죄송합니다, 아직 사진을 게시하지 않았습니다. 다른 컴퓨터에 있는 것뿐입니다. 가져와야 합니다. 관심있으시면 나중에 올리겠습니다.
이제 외삽입니다. 그리고 시리즈 자체 대신 CWT 행렬을 외삽해 보겠습니다. 어떻게? 자세한 내용은 저작권을 준수하여 침묵하겠습니다. 그러나 멋지고 아주 사소하지 않은 아이디어가 있습니다. 여기에서 멋진 일을 하거나 ... 매우 큰 갈퀴를 밟을 수 있다는 내면의 목소리가 있습니다. 두 경우 모두, 당신은 내 비밀의 동기를 이해할 것입니다. 아이디어를 코드로 변환하고, 히스토리와 데모에서 테스트하고, 이러한 결과를 요약해야 합니다. 그러면 뭔가에 대해 이야기할 수 있습니다. 그리고 이것은 오랜 시간 동안 모두입니다.
종자의 경우 가격 시리즈 200을 앞지른 부분(파란색 곡선)을 외삽한 결과 사진을 게시합니다.
물론 이것이 항상 잘 작동하는 것은 아니지만 꽤 자주 작동합니다. 얼마나 자주 - 확인하지 않았습니다. 그것은 말도 안돼. 첫 시도였습니다. 알고리즘은 완전한 원시적이며 가장 먼저 떠오른 것입니다. 이제 그는 이 모든 것을 포기했습니다.
끝. 관심을 가져주셔서 감사합니다!
일하러 갔고 다른 모든 것은 토론 순서입니다.
모두에게 행운을 빕니다. 트렌드를 통과하십시오!
미분할 때 신호의 저주파 성분에 대한 정보는 손실되지 않습니다. 실제로 일련의 잔차를 통합한 후 모든 추세에 특정 상수를 더한 원래 시계열을 얻을 수 있습니다. 따라서 미분에 의한 원 급수의 정상성은 수학적 관점에서 매우 정확하다. 그러나 여기에서 매복이 발생합니다. 인접 샘플의 잘못된 상관 관계가 생성되지만 이것은 별도의 노래입니다.
그렇지 않으면 Andre69, 나는 당신의 말에 동의합니다. 그리고 유익한 답변 감사합니다.
유리크스에게
나는 분명히 할 것입니다 : 우리는 가까운 장래에 대한 외삽에 대해 이야기하고 있습니다.
따라서 일반적인 2차 함수의 도움으로(수열이 본질적으로 이를 허용한다면) 전환점의 접근을 예측하는 것이 가능합니다. 그리고 그것이 바로 모든 사람에게 필요한 것입니다. 특히 - 더 높은 차수의 다항식.
나는 일반적인 경우에 n 차 다항식으로 시계열 을 보간하기 위한 공식을 종이에 쓰기 시작했습니다. 그리고 유라, 제가 결국 무엇을 얻었나요? - 테일러 시리즈 확장(RT) 어느 지점 부근! 그의 천재성에 놀랐습니다 :-) 그리고 약간의 생각 끝에 그는 그래야 한다는 결론에 도달했습니다. 실제로, 본질적으로 RT는 첫 번째, 두 번째, ..., n-1 도함수의 동작을 모델링하는 더 작은 가중치로 더 큰 차수의 다항식을 합산하여 원래 함수에 대한 점으로의 근사입니다. 정의에 따르면 이 장치는 초기 행이 SMOOTH인 경우 사용할 수 있습니다. 도함수가 정의되고 n-1 번째까지 존재합니다. VR 금융 상품은 평활 상품의 클래스에 속하지 않으므로 RT의 확장을 적용할 수 없거나 다항식에 의한 외삽을 사용할 수 있습니다.
그건 그렇고, 시리즈의 부드러움은 KA의 긍정에 지나지 않습니다! 저것들. 행은 방향을 바꾸는 것보다 시작했던 움직임을 계속할 것입니다. 예, 비즈니스! 매끄럽지 않은 함수와 그 분석 방법을 연구하는 분야에서 수학 섹션을 만들어야 할 것 같습니다...
칸디다 에
약 1년 반 전쯤 저는 푸리에 분석을 이용한 VR 외삽에 적극적으로 참여했습니다. 임의의 미리 결정된 고조파 수를 합산하고 주어진 수만큼 미래로 확장하는 프로그램을 작성했습니다. 코드의 정확성을 확인하기 위해 첫 번째 피아노 건반의 소리를 디지털화했습니다(호기심에 대해 LA 하청 계약은 500개 이상의 고조파를 포함하고 분석하기가 매우 어렵습니다). 주요 고조파의 주기. 그 결과는 그 아름다움에 놀랐습니다. 결과 사운드는 실제 사운드와 구별할 수 없었습니다. 저것들. 내 코드는 이 빌어먹을 소리의 뒤죽박죽의 추가 동작을 완벽하게 예측했습니다!!! 영감을 받아 시장을 깰 준비가되었습니다 ... 그러나 시장은 나를 눈치 채지 못했습니다. 그는 나를 넘어섰습니다 - 이빨로 무장한 군인이 그의 길을 갔습니다! 요점은 시장에 고정 고조파가 없다는 것이 밝혀졌습니다 ...
요점은 시장에 고정 고조파가 없다는 것이 밝혀졌습니다 ...
나는 그것을 알아 냈다고 생각했다 :). 각 고조파에 대한 외삽 계수는 각 막대에서 다시 계산되었습니다. 베이스는 고조파 기간의 1/4과 같았고 외삽 길이는 기간의 1/8이었습니다. 또한, 목표는 지속적인 예측을 얻는 것이 아니 었습니다. 목표는 적어도 일부 사이트에 대한 좋은 예측을 얻은 다음 이러한 사이트가 다른 사이트와 어떻게 다른지 이해하려고 시도하는 것이었습니다. 아아, 결과 예측은 정지된 시계가 시간을 표시하는 것과 거의 같은 방식으로 가격을 표시했습니다. :)
일반적으로, 나는 또한 고조파의 접힘이 아니라 약간(또는 오히려 완전히) 다른 것을 의미했습니다. 알겠습니다. 시간을 내서 확인하겠습니다.