ANG3110 은 다음과 같이 썼습니다. hmax = 2일 때; 주어진 기간에 간단한 MA가있을 것입니다. 완전히 명확하지 않습니다. 왜 전체 FFT를 사용합니까?
아니요, 전체 FFT가 훨씬 더 안정적입니다(다시 그리기가 적음). 필터가 필요한 것 같아요 if(hmax>0) for(i=hmax;i<N;i++) 데이터[i]=0.0; 똑똑한 아이디어. 필요한 고조파를 선택적으로 남겨두고 필요하지 않은 고조파를 재설정합니다. 그러면 아마 어느 정도 감각과 안정감이 있을 것입니다.
또한 NeuroshellDayTrader에는 FFTaddon에 사용되는 5~6개의 서로 다른 필터가 있습니다. 그런데 위에서뿐만 아니라 아래에서도 주파수를 제한하면 특정 진동 대역을 선택할 수 있습니다. 이 지표는 스토캐스틱을 연상시키는 동정적으로 보입니다.
네, 신의 축복이 있기를, 푸리에의 값을 다시 그리도록 하십시오. 푸리에 값은 그에 따라 조정되면 반전 지점이 있을 가능성이 있는 시간을 잘 보여줍니다. 그리고 진폭 궤적이 잘 맞지 않는다는 사실은 그렇게 무섭지 않고 오히려 좋으며 위상 변화율을 고려할 수 있습니다.
네, 저는 상관없어요. :) 위상은 위상이며 쉽게 계산할 수도 있습니다. 짝수 셀의 데이터 배열에서 직접 FFT 후 실수 부분은 홀수 허수에 저장되고, 단계는 다음과 같습니다. MathArctan (데이터[2*i+1]/데이터[2*i]); 진폭은 MathSqrt(데이터[2*i+1]*데이터[2*i+1]+데이터[2*i]*데이터[2*i]); 다시 원하는 하모니카를 선택하고 보세요 :) 주어진 주파수 대역에서 위상과 진폭을 합산하고 몇 가지 결론을 도출할 수 있습니다. :)
네, 저는 상관없어요. :) 위상은 위상이며 쉽게 계산할 수도 있습니다. 짝수 셀의 데이터 배열에서 직접 FFT 후 실수 부분은 홀수 허수에 저장되고, 단계는 다음과 같습니다. MathArctan (데이터[2*i+1]/데이터[2*i]); 진폭은 MathSqrt(데이터[2*i+1]*데이터[2*i+1]+데이터[2*i]*데이터[2*i]); 다시 원하는 하모니카를 선택하고 보세요 :) 주어진 주파수 대역에서 위상과 진폭을 합산하고 몇 가지 결론을 도출할 수 있습니다. :)
네, 저는 상관없어요. :) 위상은 위상이며 쉽게 계산할 수도 있습니다. 짝수 셀의 데이터 배열에서 직접 FFT 후 실수 부분은 홀수 허수에 저장되고, 단계는 다음과 같습니다. MathArctan (데이터[2*i+1]/데이터[2*i]); 진폭은 MathSqrt(데이터[2*i+1]*데이터[2*i+1]+데이터[2*i]*데이터[2*i]); 다시 원하는 하모니카를 선택하고 보세요 :) 주어진 주파수 대역에서 위상과 진폭을 합산하고 몇 가지 결론을 도출할 수 있습니다. :)
그리고 예쁘게도 그립니다. 오늘날 나는 이 시스템과 신경망이 Forex에 가장 유망하다고 생각합니다. 물론 순전히 IMHO입니다. :)
푸리에 방법은 끝(간격)의 일부 이웃을 제외하고 시간 간격에 대한 함수의 상당히 좋은 근사값을 제공합니다. 푸리에가 현재 시간 (t=0)을 담당하는 끝과 간격의 중간에 근사하면 좋을 것입니다. 또한 미래를 예측할 수 있도록 푸리에 급수를 구축하는 것이 좋을 것입니다. 이렇게 하려면 다음 아이디어를 적용할 수 있습니다.
[T,-T] 구간에 푸리에 급수를 생성합니다(-T는 아직 오지 않은 시간, t=0은 현재 시간). 그러나 [0,-T] 구간에 대한 데이터가 없습니다. 따라서 0 반복에서 close[t]=close[0](t<0)을 취하고 이 데이터를 사용하여 구간 [T,-T]에서 푸리에 급수 f를 구성합니다. 그런 다음 다음 반복을 순차적으로 수행합니다.
1) 세그먼트 [eps,-T]에 거듭제곱 함수 g(eps>0)에 의한 푸리에 급수 f의 근사값을 작성합니다. 2) f(T>t>eps에서) + g(eps>t>-T에서)의 세그먼트 [T,-T]에 대한 푸리에 급수를 작성합니다.
즉, 먼저 푸리에 급수로 결과 함수를 순차적으로 근사한 다음 거듭제곱 함수로 근사합니다. {이 함수의 푸리에 급수}와 {결과적으로 예측된 비용 함수(t<0) + 이력 가격 함수(t>0)}의 불일치가 최소일 것이라는 가정이 있습니다. 반복 횟수 증가). 그리고 이것은 제 생각에 첫째, [ep,0]의 끝이 가격 함수와 잘 일치하고 둘째, 미래에 대한 예측을 얻을 수 있다는 사실에 대한 필요 조건입니다.
푸리에 방법은 끝(간격)의 일부 이웃을 제외하고 시간 간격에 대한 함수의 상당히 좋은 근사값을 제공합니다. 푸리에가 현재 시간(t=0)을 담당하는 끝과 간격의 중간에 근사하면 좋을 것입니다. 또한 미래를 예측할 수 있도록 푸리에 급수를 구축하는 것이 좋을 것입니다. 이렇게 하려면 다음 아이디어를 적용할 수 있습니다.
[T,-T] 구간에 푸리에 급수를 생성합니다(-T는 아직 오지 않은 시간, t=0은 현재 시간). 그러나 [0,-T] 구간에 대한 데이터가 없습니다. 따라서 0 반복에서 close[t]=close[0](t<0)을 취하고 이 데이터를 사용하여 구간 [T,-T]에서 푸리에 급수 f를 구성합니다. 그런 다음 다음 반복을 순차적으로 수행합니다.
1) 세그먼트 [eps,-T]에 거듭제곱 함수 g(eps>0)에 의한 푸리에 급수 f의 근사값을 작성합니다. 2) f(T>t>eps에서) + g(eps>t>-T에서)에서 세그먼트 [T,-T]에 대한 푸리에 급수를 작성합니다.
즉, 먼저 푸리에 급수로 결과 함수를 순차적으로 근사한 다음 거듭제곱 함수로 근사합니다. {이 함수의 푸리에 급수}와 {결과적으로 예측된 비용 함수(t<0) + 이력 가격 함수(t>0)}의 불일치가 최소일 것이라는 가정이 있습니다. 반복 횟수 증가). 그리고 이것은 제 생각에 첫째, [ep,0]의 끝이 가격 함수와 잘 일치하고 둘째, 미래에 대한 예측을 얻을 수 있다는 사실에 대한 필요 조건입니다.
개별 고조파를 모른 채 다양한 가격을 매우 쉽게 필터링할 수 있는데 왜 푸리에를 엉망으로 만들까요? 예를 들어, 고주파수 고조파는 단순 이동 평균 또는 디지털 필터를 사용하여 필터링할 수 있습니다. 불행히도 SMA, EMA 및 기타 디지털 필터에는 지연이 있습니다. 그런 다음 가격 계열의 마지막 구간은 검정력 함수로 근사할 수 있습니다. 이 아이디어는 여기에서 구현됩니다.
전력 함수를 외삽하는 것만 남아 있습니다. 그러나 예측은 매우 나쁠 것입니다. 일반적으로 스무드 함수를 피팅하여 시리즈의 가격을 외삽하는 것은 시간 낭비입니다. 푸리에 급수를 외삽해도 아무 소용이 없습니다. 코사인 푸리에 시리즈를 외삽하면 미래에 가격이 과거 궤적의 정확한 미러 사본인 궤적을 따라 움직일 것이라고 본질적으로 가정합니다. 사인 푸리에 급수를 외삽하면 미래에 가격이 과거 궤적의 역 거울상 복사인 궤적을 따라 움직일 것이라고 본질적으로 가정합니다. 그렇다면 푸리에가 필요한 이유는 무엇입니까? 과거의 궤적이 미래에 어떻게 반영될 것인지 스스로 결정하고 가십시오!
gpwr писал (а): 전력 함수를 외삽하는 것만 남아 있습니다. 그러나 예측은 매우 나쁠 것입니다. 일반적으로 부드러운 함수의 피팅을 기반으로 시리즈의 가격을 외삽하는 것은 시간 낭비입니다. 푸리에 급수를 외삽해도 아무 소용이 없습니다. 코사인 푸리에 시리즈를 외삽하면 미래에 가격이 과거 궤적의 정확한 미러 사본인 궤적을 따라 움직일 것이라고 본질적으로 가정합니다. 사인 푸리에 급수를 외삽하면 미래에 가격이 과거 궤적의 역 거울상 복사인 궤적을 따라 움직일 것이라고 본질적으로 가정합니다. 그렇다면 푸리에가 필요한 이유는 무엇입니까? 과거의 궤적이 미래에 어떻게 반영될 것인지 스스로 결정하십시오. 그리고 간다!
내가 쓴 것을 더 자세히 읽었어야 했다. 세그먼트 [T,0]에 푸리에 급수를 만들고 고조파 계수에서 t<0에서 값을 계산하려고 하면 값이 실제로 대칭이 됩니다. 그러나 나는 세그먼트 [T,-T]에 대해 푸리에 급수를 만들 것을 제안했습니다. 분명히 0에 대해 대칭이 아닐 것입니다!!! 이를 위해 그러한 세그먼트에 푸리에 급수를 구축하기 위해 반복이 필요합니다.
gpwr 은 다음과 같이 썼습니다. 그런 다음 가격 계열의 마지막 구간은 검정력 함수로 근사할 수 있습니다. 이 아이디어는 여기에서 구현됩니다.
shobvas писал (а): 그러나 함수의 끝과 중간에 근사하는 푸리에 급수가 있다는 것을 인정해야 합니다. 그런 식으로 찾을 수는 없습니다!
예, 있습니다. 이것은 사인과 코사인이 있는 완전한 푸리에 급수입니다. 그러나 그에게도 단점이 있습니다. 이산 푸리에 변환의 주파수는 공식 2*pi*k/N으로 지정됩니다. 즉, 푸리에 급수의 모든 사인과 코사인은 N 막대의 빈도로 값을 반복합니다. cos(2*pi*k/N*i)=cos(2*pi*k/N*(i+ N)), sin(2*pi*k/N*i)=sin(2*pi*k/N*(i+N)). 따라서 푸리에 급수의 외삽은 과거의 반복으로 이어질 것입니다. 예를 들어, 오늘의 가격은 N 막대에서 반복됩니다. 귀하가 N을 선택하기 때문에 가격이 반복되는 시기를 제어할 수 있습니다. 다시 한번. 그렇다면 전체 푸리에 시리즈가 필요한 이유는 무엇입니까? 가격이 반복되는 막대의 수를 결정하고 거래를 시작하십시오.
거듭제곱 함수의 외삽도 관련이 없습니다. 일부 기능을 과거 데이터에 맞추면 시장을 예측할 수 없습니다. 통계적 방법이나 자가 학습 방법을 사용해야 합니다. 계량 경제학 및 시계열 분석에 관한 책을 읽으십시오. 가장 일반적인 예측 방법은 자기회귀를 기반으로 하는 Box-Jenkins 방법입니다. 이 방법의 문제는 트럭을 신뢰 구간에 맞출 수 있다는 것입니다. 자가 학습 신경망에서 더 많은 성공을 기대해야 한다고 생각합니다.
쇼바 는 다음과 같이 썼다. 그러나 함수의 끝과 중간에 근사하는 푸리에 급수가 있다는 것을 인정해야 합니다. 그런 식으로 찾을 수는 없습니다!
예, 있습니다. 이것은 사인과 코사인이 있는 완전한 푸리에 급수입니다. 그러나 그에게도 단점이 있습니다. 이산 푸리에 변환의 주파수는 공식 2*pi*k/N으로 지정됩니다. 즉, 푸리에 급수의 모든 사인과 코사인은 N 막대의 빈도로 값을 반복합니다. cos(2*pi*k/N*i)=cos(2*pi*k/N*(i+ N)), sin(2*pi*k/N*i)=sin(2*pi*k/N*(i+N)). 따라서 푸리에 급수의 외삽은 과거의 반복으로 이어질 것입니다. 예를 들어, 오늘의 가격은 N 막대에서 반복됩니다. 귀하가 N을 선택하기 때문에 가격이 반복되는 시점을 제어할 수 있습니다. 다시 한번. 그렇다면 전체 푸리에 급수가 필요한 이유는 무엇입니까? 가격이 반복되는 막대의 수를 결정하고 거래를 시작하십시오.
거듭제곱 함수의 외삽도 관련이 없습니다. 일부 기능을 과거 데이터에 맞추면 시장을 예측할 수 없습니다. 통계적 방법이나 자가 학습 방법을 사용해야 합니다. 계량 경제학 및 시계열 분석에 관한 책을 읽으십시오. 가장 일반적인 예측 방법은 자기회귀를 기반으로 하는 Box-Jenkins 방법입니다. 이 방법의 문제는 트럭을 신뢰 구간에 맞출 수 있다는 것입니다. 자가 학습 신경망에서 더 많은 성공을 기대해야 한다고 생각합니다.
푸리에 전개를 지원하면 좋은 결과를 얻을 수 있습니다. 특히, 회귀를 앞으로 쉽게 외삽하고 이에 대해 푸리에를 구축할 수 있습니다. 이동평균선을 지지선으로 하고 이동이 선형적으로 계속되는 것처럼 별도의 창에 고조파의 합을 구축하는 것이 가능합니다. 부드럽게 변화하는 평균 유형 T3을 기준으로 반주기만큼 뒤로 이동하여 데이터와 정확히 정렬되고 최소 표준 편차에 따라 조정된 포물선으로 끝을 외삽할 수 있습니다. 그리고 이 외삽과 관련하여 푸리에를 구축합니다. 그러나 어떤 경우에도 다른 기간으로 푸리에 외삽을 위한 여러 옵션을 만들고 최소 표준 편차에 따라 각 옵션을 최적화하면 주기가 반복될 가능성이 높습니다. 여러 옵션에 대한 증언이 일치하는 경우 가능성이 있는 것으로 간주될 수 있습니다. 위상 리드 또는 지연이 나중에 발생하면 자동 조정 또는 재계산에 사용할 수 있는 보정 차이 신호가 생성됩니다. 이것은 무선 수신기의 PLL(Phase Locked Loop) 감지기를 연상시키며 가장 효율적이고 노이즈 내성이 있습니다.
New писал (а): 다음은 그림입니다. Koch 프랙탈 곡선은 위에서 아래로, 구성의 5단계입니다. 각 스트레이트 세 부분으로 나뉘고 중간 부분은 각도로 연결됩니다.
...
물론 실제 인용문은 프랙탈 함수와 유사하다는 것을 입증한 사람은 아무도 없지만 그래프가 자기 유사하다는 사실(즉, 눈금을 제거하면 예를 들어, 분과 주를 구별하는 것은) 그럼에도 불구하고 그것들이 프랙탈과 유사하다는 것을 암시합니다. 자연.
프랙탈은 그것과 관련이 없습니다. 이 주제는 푸리에 급수에 전념합니다. 들어 올릴 주제가 아닌 불꽃이 무엇을 위해 그렇게 많았습니까? 게다가 믿기지 않으시겠지만 저는 분과 15분을 쉽게 구별할 수 있습니다. 시계에서 15분.
gpwr 은 다음과 같이 썼습니다. 예, 있습니다. 이것은 사인과 코사인이 있는 완전한 푸리에 급수입니다. 그러나 그에게도 단점이 있습니다. 이산 푸리에 변환의 주파수는 공식 2*pi*k/N으로 지정됩니다. 즉, 푸리에 급수의 모든 사인과 코사인은 N 막대의 빈도로 값을 반복합니다. cos(2*pi*k/N*i)=cos(2*pi*k/N*(i+ N)), sin(2*pi*k/N*i)=sin(2*pi*k/N*(i+N)). 따라서 푸리에 급수의 외삽은 과거의 반복으로 이어질 것입니다.
hmax = 2일 때; 주어진 기간에 간단한 MA가있을 것입니다. 완전히 명확하지 않습니다. 왜 전체 FFT를 사용합니까?
아니요, 전체 FFT가 훨씬 더 안정적입니다(다시 그리기가 적음).
필터가 필요한 것 같아요
if(hmax>0) for(i=hmax;i<N;i++) 데이터[i]=0.0;
똑똑한 아이디어. 필요한 고조파를 선택적으로 남겨두고 필요하지 않은 고조파를 재설정합니다. 그러면 아마 어느 정도 감각과 안정감이 있을 것입니다.
또한 NeuroshellDayTrader에는 FFTaddon에 사용되는 5~6개의 서로 다른 필터가 있습니다.
그런데 위에서뿐만 아니라 아래에서도 주파수를 제한하면 특정 진동 대역을 선택할 수 있습니다. 이 지표는 스토캐스틱을 연상시키는 동정적으로 보입니다.
네, 저는 상관없어요. :) 위상은 위상이며 쉽게 계산할 수도 있습니다.
짝수 셀의 데이터 배열에서 직접 FFT 후 실수 부분은 홀수 허수에 저장되고,
단계는 다음과 같습니다.
MathArctan (데이터[2*i+1]/데이터[2*i]);
진폭은
MathSqrt(데이터[2*i+1]*데이터[2*i+1]+데이터[2*i]*데이터[2*i]);
다시 원하는 하모니카를 선택하고 보세요 :)
주어진 주파수 대역에서 위상과 진폭을 합산하고 몇 가지 결론을 도출할 수 있습니다. :)
네, 저는 상관없어요. :) 위상은 위상이며 쉽게 계산할 수도 있습니다.
짝수 셀의 데이터 배열에서 직접 FFT 후 실수 부분은 홀수 허수에 저장되고,
단계는 다음과 같습니다.
MathArctan (데이터[2*i+1]/데이터[2*i]);
진폭은
MathSqrt(데이터[2*i+1]*데이터[2*i+1]+데이터[2*i]*데이터[2*i]);
다시 원하는 하모니카를 선택하고 보세요 :)
주어진 주파수 대역에서 위상과 진폭을 합산하고 몇 가지 결론을 도출할 수 있습니다. :)
예, 그리고 때때로 고조파의 진폭을 그릴 수도 있습니다.
그리고 이것은 현재 시간을 기반으로 한 1시간 간격의 48시간 고조파 스펙트럼입니다.
네, 저는 상관없어요. :) 위상은 위상이며 쉽게 계산할 수도 있습니다.
짝수 셀의 데이터 배열에서 직접 FFT 후 실수 부분은 홀수 허수에 저장되고,
단계는 다음과 같습니다.
MathArctan (데이터[2*i+1]/데이터[2*i]);
진폭은
MathSqrt(데이터[2*i+1]*데이터[2*i+1]+데이터[2*i]*데이터[2*i]);
다시 원하는 하모니카를 선택하고 보세요 :)
주어진 주파수 대역에서 위상과 진폭을 합산하고 몇 가지 결론을 도출할 수 있습니다. :)
오늘날 나는 이 시스템과 신경망이 Forex에 가장 유망하다고 생각합니다. 물론 순전히 IMHO입니다. :)
나는 실제로 푸리에 방법의 적용에 대해 그런 생각을 가지고 있습니다.
푸리에 방법은 끝(간격)의 일부 이웃을 제외하고 시간 간격에 대한 함수의 상당히 좋은 근사값을 제공합니다. 푸리에가 현재 시간 (t=0)을 담당하는 끝과 간격의 중간에 근사하면 좋을 것입니다. 또한 미래를 예측할 수 있도록 푸리에 급수를 구축하는 것이 좋을 것입니다. 이렇게 하려면 다음 아이디어를 적용할 수 있습니다.
[T,-T] 구간에 푸리에 급수를 생성합니다(-T는 아직 오지 않은 시간, t=0은 현재 시간).
그러나 [0,-T] 구간에 대한 데이터가 없습니다. 따라서 0 반복에서 close[t]=close[0](t<0)을 취하고 이 데이터를 사용하여 구간 [T,-T]에서 푸리에 급수 f를 구성합니다. 그런 다음 다음 반복을 순차적으로 수행합니다.
1) 세그먼트 [eps,-T]에 거듭제곱 함수 g(eps>0)에 의한 푸리에 급수 f의 근사값을 작성합니다.
2) f(T>t>eps에서) + g(eps>t>-T에서)의 세그먼트 [T,-T]에 대한 푸리에 급수를 작성합니다.
즉, 먼저 푸리에 급수로 결과 함수를 순차적으로 근사한 다음 거듭제곱 함수로 근사합니다. {이 함수의 푸리에 급수}와 {결과적으로 예측된 비용 함수(t<0) + 이력 가격 함수(t>0)}의 불일치가 최소일 것이라는 가정이 있습니다. 반복 횟수 증가). 그리고 이것은 제 생각에 첫째, [ep,0]의 끝이 가격 함수와 잘 일치하고 둘째, 미래에 대한 예측을 얻을 수 있다는 사실에 대한 필요 조건입니다.
나는 실제로 푸리에 방법의 적용에 대해 그런 생각을 가지고 있습니다.
푸리에 방법은 끝(간격)의 일부 이웃을 제외하고 시간 간격에 대한 함수의 상당히 좋은 근사값을 제공합니다. 푸리에가 현재 시간(t=0)을 담당하는 끝과 간격의 중간에 근사하면 좋을 것입니다. 또한 미래를 예측할 수 있도록 푸리에 급수를 구축하는 것이 좋을 것입니다. 이렇게 하려면 다음 아이디어를 적용할 수 있습니다.
[T,-T] 구간에 푸리에 급수를 생성합니다(-T는 아직 오지 않은 시간, t=0은 현재 시간).
그러나 [0,-T] 구간에 대한 데이터가 없습니다. 따라서 0 반복에서 close[t]=close[0](t<0)을 취하고 이 데이터를 사용하여 구간 [T,-T]에서 푸리에 급수 f를 구성합니다. 그런 다음 다음 반복을 순차적으로 수행합니다.
1) 세그먼트 [eps,-T]에 거듭제곱 함수 g(eps>0)에 의한 푸리에 급수 f의 근사값을 작성합니다.
2) f(T>t>eps에서) + g(eps>t>-T에서)에서 세그먼트 [T,-T]에 대한 푸리에 급수를 작성합니다.
즉, 먼저 푸리에 급수로 결과 함수를 순차적으로 근사한 다음 거듭제곱 함수로 근사합니다. {이 함수의 푸리에 급수}와 {결과적으로 예측된 비용 함수(t<0) + 이력 가격 함수(t>0)}의 불일치가 최소일 것이라는 가정이 있습니다. 반복 횟수 증가). 그리고 이것은 제 생각에 첫째, [ep,0]의 끝이 가격 함수와 잘 일치하고 둘째, 미래에 대한 예측을 얻을 수 있다는 사실에 대한 필요 조건입니다.
개별 고조파를 모른 채 다양한 가격을 매우 쉽게 필터링할 수 있는데 왜 푸리에를 엉망으로 만들까요? 예를 들어, 고주파수 고조파는 단순 이동 평균 또는 디지털 필터를 사용하여 필터링할 수 있습니다. 불행히도 SMA, EMA 및 기타 디지털 필터에는 지연이 있습니다. 그런 다음 가격 계열의 마지막 구간은 검정력 함수로 근사할 수 있습니다. 이 아이디어는 여기에서 구현됩니다.
'아피르마'
전력 함수를 외삽하는 것만 남아 있습니다. 그러나 예측은 매우 나쁠 것입니다. 일반적으로 스무드 함수를 피팅하여 시리즈의 가격을 외삽하는 것은 시간 낭비입니다. 푸리에 급수를 외삽해도 아무 소용이 없습니다. 코사인 푸리에 시리즈를 외삽하면 미래에 가격이 과거 궤적의 정확한 미러 사본인 궤적을 따라 움직일 것이라고 본질적으로 가정합니다. 사인 푸리에 급수를 외삽하면 미래에 가격이 과거 궤적의 역 거울상 복사인 궤적을 따라 움직일 것이라고 본질적으로 가정합니다. 그렇다면 푸리에가 필요한 이유는 무엇입니까? 과거의 궤적이 미래에 어떻게 반영될 것인지 스스로 결정하고 가십시오!
전력 함수를 외삽하는 것만 남아 있습니다. 그러나 예측은 매우 나쁠 것입니다. 일반적으로 부드러운 함수의 피팅을 기반으로 시리즈의 가격을 외삽하는 것은 시간 낭비입니다. 푸리에 급수를 외삽해도 아무 소용이 없습니다. 코사인 푸리에 시리즈를 외삽하면 미래에 가격이 과거 궤적의 정확한 미러 사본인 궤적을 따라 움직일 것이라고 본질적으로 가정합니다. 사인 푸리에 급수를 외삽하면 미래에 가격이 과거 궤적의 역 거울상 복사인 궤적을 따라 움직일 것이라고 본질적으로 가정합니다. 그렇다면 푸리에가 필요한 이유는 무엇입니까? 과거의 궤적이 미래에 어떻게 반영될 것인지 스스로 결정하십시오.
그리고 간다!
내가 쓴 것을 더 자세히 읽었어야 했다.
세그먼트 [T,0]에 푸리에 급수를 만들고 고조파 계수에서 t<0에서 값을 계산하려고 하면 값이 실제로 대칭이 됩니다. 그러나 나는 세그먼트 [T,-T]에 대해 푸리에 급수를 만들 것을 제안했습니다. 분명히 0에 대해 대칭이 아닐 것입니다!!! 이를 위해 그러한 세그먼트에 푸리에 급수를 구축하기 위해 반복이 필요합니다.
그런 다음 가격 계열의 마지막 구간은 검정력 함수로 근사할 수 있습니다. 이 아이디어는 여기에서 구현됩니다.
'아피르마'
세 부분으로 나뉘고 중간 부분은 각도로 연결됩니다.
무한반복 '푹신푹신한 눈송이'로 변해
다음은 프랙탈 만델브로트 곡선과 그 구성 단계입니다. 각 라인이 교체됩니다.
지그재그
무한 반복에서는 견적 차트와 유사해집니다.
프랙탈 곡선을 외삽할 수 없다는 것이 분명하다고 생각합니다.
스펙트럼 확장 또는 선형 근사를 사용합니다. 프랙탈의 경우
곡선, 이것은 유사성 방법에 의해서만 가능합니다.
물론 실제 인용문은 프랙탈 함수와 유사하다는 것을 입증한 사람은 아무도 없지만
그래프가 자기 유사하다는 사실(즉, 눈금을 제거하면
예를 들어, 분과 주를 구별하는 것은) 그럼에도 불구하고 그것들이 프랙탈과 유사하다는 것을 암시합니다.
자연.
그의 작품에서 A multifractal walk down the Wall Street
Mandelbrot는 사용을 제안합니다.
변형된 지그재그를 기반으로 하는 도형. 하지만 난 현실을 만질거야
더 어렵다.
그러나 함수의 끝과 중간에 근사하는 푸리에 급수가 있다는 것을 인정해야 합니다. 그런 식으로 찾을 수는 없습니다!
예, 있습니다. 이것은 사인과 코사인이 있는 완전한 푸리에 급수입니다. 그러나 그에게도 단점이 있습니다. 이산 푸리에 변환의 주파수는 공식 2*pi*k/N으로 지정됩니다. 즉, 푸리에 급수의 모든 사인과 코사인은 N 막대의 빈도로 값을 반복합니다. cos(2*pi*k/N*i)=cos(2*pi*k/N*(i+ N)), sin(2*pi*k/N*i)=sin(2*pi*k/N*(i+N)). 따라서 푸리에 급수의 외삽은 과거의 반복으로 이어질 것입니다. 예를 들어, 오늘의 가격은 N 막대에서 반복됩니다. 귀하가 N을 선택하기 때문에 가격이 반복되는 시기를 제어할 수 있습니다. 다시 한번. 그렇다면 전체 푸리에 시리즈가 필요한 이유는 무엇입니까? 가격이 반복되는 막대의 수를 결정하고 거래를 시작하십시오.
거듭제곱 함수의 외삽도 관련이 없습니다. 일부 기능을 과거 데이터에 맞추면 시장을 예측할 수 없습니다. 통계적 방법이나 자가 학습 방법을 사용해야 합니다. 계량 경제학 및 시계열 분석에 관한 책을 읽으십시오. 가장 일반적인 예측 방법은 자기회귀를 기반으로 하는 Box-Jenkins 방법입니다. 이 방법의 문제는 트럭을 신뢰 구간에 맞출 수 있다는 것입니다. 자가 학습 신경망에서 더 많은 성공을 기대해야 한다고 생각합니다.
그러나 함수의 끝과 중간에 근사하는 푸리에 급수가 있다는 것을 인정해야 합니다. 그런 식으로 찾을 수는 없습니다!
예, 있습니다. 이것은 사인과 코사인이 있는 완전한 푸리에 급수입니다. 그러나 그에게도 단점이 있습니다. 이산 푸리에 변환의 주파수는 공식 2*pi*k/N으로 지정됩니다. 즉, 푸리에 급수의 모든 사인과 코사인은 N 막대의 빈도로 값을 반복합니다. cos(2*pi*k/N*i)=cos(2*pi*k/N*(i+ N)), sin(2*pi*k/N*i)=sin(2*pi*k/N*(i+N)). 따라서 푸리에 급수의 외삽은 과거의 반복으로 이어질 것입니다. 예를 들어, 오늘의 가격은 N 막대에서 반복됩니다. 귀하가 N을 선택하기 때문에 가격이 반복되는 시점을 제어할 수 있습니다. 다시 한번. 그렇다면 전체 푸리에 급수가 필요한 이유는 무엇입니까? 가격이 반복되는 막대의 수를 결정하고 거래를 시작하십시오.
거듭제곱 함수의 외삽도 관련이 없습니다. 일부 기능을 과거 데이터에 맞추면 시장을 예측할 수 없습니다. 통계적 방법이나 자가 학습 방법을 사용해야 합니다. 계량 경제학 및 시계열 분석에 관한 책을 읽으십시오. 가장 일반적인 예측 방법은 자기회귀를 기반으로 하는 Box-Jenkins 방법입니다. 이 방법의 문제는 트럭을 신뢰 구간에 맞출 수 있다는 것입니다. 자가 학습 신경망에서 더 많은 성공을 기대해야 한다고 생각합니다.
푸리에 전개를 지원하면 좋은 결과를 얻을 수 있습니다. 특히, 회귀를 앞으로 쉽게 외삽하고 이에 대해 푸리에를 구축할 수 있습니다. 이동평균선을 지지선으로 하고 이동이 선형적으로 계속되는 것처럼 별도의 창에 고조파의 합을 구축하는 것이 가능합니다. 부드럽게 변화하는 평균 유형 T3을 기준으로 반주기만큼 뒤로 이동하여 데이터와 정확히 정렬되고 최소 표준 편차에 따라 조정된 포물선으로 끝을 외삽할 수 있습니다. 그리고 이 외삽과 관련하여 푸리에를 구축합니다. 그러나 어떤 경우에도 다른 기간으로 푸리에 외삽을 위한 여러 옵션을 만들고 최소 표준 편차에 따라 각 옵션을 최적화하면 주기가 반복될 가능성이 높습니다. 여러 옵션에 대한 증언이 일치하는 경우 가능성이 있는 것으로 간주될 수 있습니다. 위상 리드 또는 지연이 나중에 발생하면 자동 조정 또는 재계산에 사용할 수 있는 보정 차이 신호가 생성됩니다. 이것은 무선 수신기의 PLL(Phase Locked Loop) 감지기를 연상시키며 가장 효율적이고 노이즈 내성이 있습니다.
다음은 그림입니다. Koch 프랙탈 곡선은 위에서 아래로, 구성의 5단계입니다. 각 스트레이트
세 부분으로 나뉘고 중간 부분은 각도로 연결됩니다.
...
물론 실제 인용문은 프랙탈 함수와 유사하다는 것을 입증한 사람은 아무도 없지만
그래프가 자기 유사하다는 사실(즉, 눈금을 제거하면
예를 들어, 분과 주를 구별하는 것은) 그럼에도 불구하고 그것들이 프랙탈과 유사하다는 것을 암시합니다.
자연.
예, 있습니다. 이것은 사인과 코사인이 있는 완전한 푸리에 급수입니다. 그러나 그에게도 단점이 있습니다. 이산 푸리에 변환의 주파수는 공식 2*pi*k/N으로 지정됩니다. 즉, 푸리에 급수의 모든 사인과 코사인은 N 막대의 빈도로 값을 반복합니다. cos(2*pi*k/N*i)=cos(2*pi*k/N*(i+ N)), sin(2*pi*k/N*i)=sin(2*pi*k/N*(i+N)). 따라서 푸리에 급수의 외삽은 과거의 반복으로 이어질 것입니다.