그래서 작업이 중단되었습니다. 이것은 좋은 것입니다. 이제 내 생각을 표현하려고 합니다. 문제가 있는 경우 잘못 작성했습니다(또는 명확하지 않은 경우 - 알려주세요).
잔디
예, 실제로 가장자리 효과가 있습니다. 그러나 이것이 요점이며 종종 나쁜(간섭) 것으로 간주됩니다. 그리고 갑자기 여기에 "확률적 공명"이 나타납니다. 이 옵션을 가정해 봅시다. 가격 움직임의 방향은 곡선의 방향(공명)과 일치하고 일치하지 않습니다(공진 없음). 누가 스레드를 확인 했습니까? (갑자기 성배 와 거짓말 J가 있습니다). Hanning, Hamming, Blackman 등의 다양한 창구를 할인할 수 없습니다. (이 효과 감소)
노이즈에 관해서는 우리는 항상 신호 + 노이즈가 혼합되어 있습니다. 그리고 우리는 그것을 기계적으로 신호와 분리하는 메커니즘이 없습니다(내 예에서와 같이 수신기를 닫고 강도 측정). 따라서 다른 옵션을 제안합니다. 에너지 개념부터 시작합니다. 신호 에너지 - 시장을 움직입니다. 소음 에너지 - 우리가 볼 수 없도록 합니다(유용한 신호 선택).
행동하는 방법
...
hooked은 무슨 뜻인가요? 물론 당신이 그것을 주의 깊게 읽지 않는 한(시간을 찾음) 우리는 여기에서 20페이지에 걸쳐 그것에 대해 논의하고 있습니다. 신호 처리에 대한 좋은 설명은 감사합니다. 하지만 이 주제를 효과적으로 처리하고 FIR 또는 IIR 클래스의 일반 디지털 저역 통과 필터로 교체하려면 무화과에서 모든 것을 버리는 것이 좋습니다. 물론 LPF가 진정한 신호를 찾을 것이라고 확신하지 않는 한.
노이즈와 관련하여 WE가 아닌 ALWAYS를 선택하는 것이 더 논리적이지만 이 접근 방식으로 가장자리 효과가 제대로 제거되지 않는다는 사실은 사실이므로 가장자리에서 노이즈를 강조 표시하지 않습니다. 당신의 신호는 잡음이 될 것입니다.
추신 : 결과적으로 FATL보다 훨씬 더 나쁜 필터를 발명하게 될 것입니다. 자신과 나를 속이지 마십시오. 적응형 필터를 만드는 것은 전체 기술이며 디자인 원칙이 완전히 다릅니다.
AAB : 솔직한 이 백서에서는 잠재적 수준의 관점에서 가격 움직임 예측을 설명합니다. 관심을 가질 수 있습니다. 품질은 중요하지 않지만 모노로 읽으십시오. 특히 4페이지에 대한 수식과 그래프가 있기 때문입니다.
흠, 제가 처음에 링크를 안 줬나요? :) 속담에 물 위에 빵을 던지면 돌아온다는 속담처럼 :). 잘했어, IMHO.
비공개 :
- 지표 구축
klot 라이브러리에서 시도할 때 특정 지표를 만들었던 기억이 납니다. 시각화 도우미에서 실행하고 FFT에 대한 막대가 충분할 때까지 기다리기만 하면 됩니다. 거기 점프는 주파수가 재생되는 횟수에서 명확하고 샘플이 증가하면 매끄럽게됩니다. 물론 klot 의 라이브러리가 제자리에 있어야 합니다(CodeBase에서 사용 가능).
흠, 제가 처음에 링크를 주지 않았습니까? :) 속담에 물 위에 빵을 던지면 돌아온다는 속담처럼 :). 잘했어, IMHO.
흠, 알겠습니다. 적어도 어디에서, 어디서 누구의 공급을 흔들었는지, 읽고 난 후 당신이 기사를 원하고 링크를 준 사람을 잊었다는 것도 기억했습니다. 예, Strugatskys의 물고기를 기억하십시오 "내 년은 나무를 톱질하는 것과 같지 않습니다 ..." 그러나 모든 구름에는 은색 안감이 있습니다. 사람들은 이 부두를 다시 한 번 흔들 수 있고 또 흔들 것입니다.
며칠 전 여러분께 드린 문제에 대한 해결책을 게시하고 있습니다. 원칙적으로 새로운 것은 없습니다. 나는 이것에 대해 지난 포스트에서 설명한 프로그램을 방금 구현했습니다. 레이아웃의 의미는 간단합니다. 이 방법을 사용할 수 있는 몇 가지 가능성이 있으므로 누군가에게 유용할 수 있습니다. 나는 또한 이론적 접근의 유용성을 "시연"하고 싶습니다.
따라서 작업은 간단합니다. 특정 통계에 따라 일련의 난수 {X}가 있습니다. X의 가능한 값은 구간 [0,∞]에 속하기 때문에 통계는 가우스가 아닙니다. 점 X=0은 일반적으로 일반 인구에 속하지 않을 수 있습니다. {X} - N 시리즈의 구성원 수는 사용 가능한 데이터 및 기타 통계 매개변수를 기반으로 구축된 분포를 어느 정도 신뢰할 수 있을 만큼 충분히 큽니다.
µ=M(X) – 계열 {X}의 평균값
D=M(X*X) – 계열 {X}의 분산
σ =√D – 점수 {Х}
기존 계열은 제한적이므로 모든 요소는 유한 구간 [Xmin,Xmax], Xmin>=0에 속합니다.
기존 시리즈 {X}에 기간 M을 사용하여 이동 평균 Y를 작성합니다. 평균화 방법은 임의적일 수 있습니다. 결과적으로 구성원 수가 N–M+1인 새 시리즈 {Y}를 얻습니다. {Y} 계열의 값 집합도 유한 간격에 속합니다. [Ymin,Ymax]로 표시합니다.
문제는 {X} 시리즈의 통계 및 매개변수를 기반으로 Ymin 및 Ymax를 계산하는 방법입니다. 어떤 용도로 사용할 수 있는지, 마지막에 작성하겠습니다.
첫 번째 단계는 {X} 계열 분포의 분석적 형태를 구성하는 것입니다. Bulashev에서 나는 정의 영역이 [0,∞]인 로그 정규 분포를 갖는 하나의 분포 함수만 찾았습니다. 나는 그것에 대해 나쁜 말을하지 않을 것이지만 그것은 나에게 어울리지 않았습니다.
내(및 다른 많은) 계열의 통계 는 확률 밀도 p(X)가 X→0 및 X→∞로 0이 되는 경향이 있기 때문에 p(X)에 대해 다음과 같은 일반 형식을 가정했습니다.
p(X)=A*(X^a)*exp(–B*(X^b)), 여기서 a>0 및 b>0
따라서 적분 분포 함수는 다음과 같이 정의됩니다. F(X)= ∫ p(ξ) dξ. 여기와 아래는 0에서 X까지의 통합 제한을 가정합니다. 불행히도 로컬 편집자는 위 첨자 및 아래 첨자를 사이트에 입력하는 것을 허용하지 않습니다. 당신은 변태해야합니다. 물론 서투른 것처럼 보이지만 할 일이 없습니다. ξ는 적분 변수일 뿐입니다.
이것으로 무언가를 할 수 있으려면 이 적분을 분석적 형태로 취해야 합니다. 부분으로 적분하고 한계값 p(0)=0을 사용하여 다음을 확인할 수 있습니다.
즉, X의 지수는 매번 b만큼 감소합니다. k 단계 후에 이 표시기가 b–1과 같아지면 적분은 표 형식으로 축소됩니다. 따라서 적분성 조건을 명시적 형식으로 공식화할 수 있습니다.
a – k*b = b – 1 또는 a = (k+1)*b – 1, 여기서 k>0은 정수입니다.
그러나 평균과 분산을 계산해야 하기 때문에 이 적분성만으로는 충분하지 않습니다. 이 분포의 모든 중심 모멘트가 명시적으로 계산되는 데 필요한 것이 무엇인지 봅시다. 분명히, µ = ∫X*p(X) dX(여기서 적분은 ∞까지). 우리는 µ(X)의 함수로 µ를 계산하고 적분에서 변수의 상한을 설정합니다.
즉, 지수 a1=a+1과 같은 종류의 적분입니다. 적분성을 위해1은 동일한 조건을 충족해야 합니다.
a1 = (k1+1)*b – 1, 여기서 k1>0은 정수입니다.
이것을 에 대한 조건과 비교하면 다음을 얻습니다. b = 1/( k1 – k). n = k1 – k를 나타내면 마침내 매개변수 b의 허용 가능한 형식을 얻습니다. b = 1/n, 여기서 n>0은 정수입니다. 또한 관계 0<n<=k가 유지되어야 합니다.
이 모든 것을 염두에 두고 누적 분포 함수 F(X)뿐만 아니라 이 분포의 모든 중심 모멘트를 명시적으로 얻을 수 있습니다.
F(X) = 1 – exp(–Z)*∑(Z^i)/i!
Ml(X) = (k+n*l)!/(k!*(B^(n*l))) *{ 1 – exp(–Z)*∑ (Z^i)/i! }, 여기서 Z = B*(X^(1/n)) .
p(X) 함수에 나타나는 상수 A는 정규화 조건에서 계산되고 이러한 식에서 고려됩니다. 상단 라인의 합 기호 ∑는 0에서 k까지의 인덱스 i에 대한 합을 의미하고, 하단 라인은 0에서 k+n*l까지 i에 대한 합을 의미합니다. 수량 Ml은 l번째 중심 모멘트입니다(l과 1을 혼동하지 마십시오).
얻은 모든 함수는 X=0에 대해 0으로 바뀌고 X→∞에 대해 다음과 같은 제한이 있습니다.
F(X→∞) = 1(정규화 조건) 및 Ml(X→∞) = (k+n*l)!/(k!*(B^(n*l))).
따라서 우리는 다음을 얻습니다.
μ = M(X) = M1(X) = (k+n)!/(k!*(B^n))
D = M(X*X) = M2(X) = (k+2*n)!/(k!*(B^(2*n)))
이제 완전한 행복을 위해 모든 것이 준비되었으므로 원래 행으로 돌아갈 수 있습니다. 최종 분포 함수 p(X)에는 p(X)가 시리즈 {X} - B, k, n의 통계를 가장 잘 재현하도록 하는 데 사용할 수 있는 세 가지 매개변수가 있습니다.
물론 MNC에서 찾을 수 있지만 지루합니다. 나는 내 행을 더 쉽게 만들었습니다. 위의 공식을 보면 알 수 있다.
D/μ^2 = (k+2*n)!*k!/((k+n)!)^2
따라서 D/μ^2의 값은 B에 의존하지 않습니다. D와 μ는 시리즈 {X}에 대해 알려져 있으므로 가장 가까운 값을 제공하는 쌍(n,k)을 선택하기만 하면 됩니다. 방금 쌍 (n, k)의 유효한 값에 대한 테이블을 만들고 (2, 3), (3.8), (4.16) 및 (5.26)의 4가지 적합한 값만 찾았습니다. 이제 B의 값은 D 또는 µ에 대한 식에서 기본적으로 결정됩니다.
흥미롭게도 처음 두 쌍의 값(n,k)(나머지는 확인하지 않음)은 실험적 p(X) 분포 곡선의 우수한 재현성을 제공했습니다. 어쨌든 이 품질은 나에게 탁월합니다.
내 마음속에 흥미로운 질문이 떠올랐다. 아마도 누군가는 좋은 속성을 가진 간단하고 편리한 유형의 분포 함수가 통계에서 사용되지 않는 이유를 알려줄 것입니다. 그리고 그것이 사용된다면 왜 그것에 대해 기록되지 않습니까? 나는 로그 정규 이외의 증분 분포를 근사하려고 시도하는 사람을 본 적이 없습니다.
시리즈 Y = ∑ X의 구성은 X의 M 값의 특정 평균화와 연관됩니다. 이 평균화에 X의 가장 작은 M 값이 포함되는 경우 Ymin(이론적 최소값)을 얻을 수 있다고 가정하는 것이 합리적입니다. 유사하게, Ymax.
ОХ 축에서 X 값의 가장 작은 M 값이 [0, X1] 구간을 차지하고, X 값의 가장 큰 M 값이 [X2, ∞] 구간을 차지합니다. 이것은 실제로 X1과 X2의 정의입니다.
시리즈 {X}에 N개의 요소가 있으므로 F(X1) = M/N 및 1 - F(X2) = M/N입니다.
함수 F(X)는 분석적 형태로 알려져 있으므로 X1과 X2를 결정하기 위한 위의 방정식은 비록 초월적이지만 분석적 방정식입니다. 모든 수치 반복 방법을 적용하여 해결할 수 있습니다. 아래 그래프에서 알 수 있듯이 F(X) 함수는 변곡점에서 시작하여 단조롭기 때문에 경사하강법을 사용하면 F(X1) 및 F(X2) 값에 빠르게 도달할 수 있습니다. ). MQL에서 허용하는 최대 정확도로 계산할 때 X1 및 X2 값을 얻는 데 13-14단계가 걸렸고 1초 미만의 시간이 걸렸습니다. 이 경우 시간은 실제로 쌍 (2.3)과 (3.8)에서 다르지 않았습니다. 그래도 MQL은 좋은 것입니다. (어떤맛캐드가있나요....제이)
여기서 p(X)는 어디에 있고 F(X)는 어디에 있는지 명확하기를 바랍니다.
그림 1.
M 값에 대한 X1 및 X2의 의존성 또는 M/N 비율에 대한 의존성을 살펴보는 것도 흥미로울 것입니다. 하지만 얼마 남지 않았기 때문에 일단 미루겠습니다. M→N, X1→∞ 및 X2→0이 유지되어야 하는 극한에서만 주의해야 합니다. 그리고 우리는 이 전체 이야기의 궁극적인 목표의 정의, Ymin과 Ymax의 가치를 다룰 것입니다.
지금은 실제로 매우 쉽습니다. 구간 [0, X1]은 M개의 가장 작은 X의 위치를 지정하고 [X2, ∞] - M개의 가장 큰 X. 우리의 임무는 두 개의 평균값을 결정하는 것입니다. 평균화 알고리즘 이 간단하지 않은 경우 문제는 각각의 특정 경우에 대해 별도로 해결되어야 합니다. 단순 MA에 해당하는 경우 다음 공식을 사용할 수 있습니다.
이 공식은 단순한 "물리적 의미"를 가지므로 설명은 생략하겠습니다. 대신, 나는 X1과 X2의 값에 대한 Ymin과 Ymax의 의존도를 그래프로 보여줍니다. Ymin은 빨간색으로 Ymax는 파란색으로 표시됩니다. 수평 청록색 선은 µ 값을 나타냅니다.
예상대로 X1→∞의 Ymin과 X2→0의 Ymax는 둘 다 μ가 되는 경향이 있습니다. 하나는 아래에서, 다른 하나는 위에서부터입니다.
그림 2.
이 두 경우 모두 M → N에 해당하는데, 이는 X1과 X2가 M의 값에 의존하는 그래프에서 명확하게 알 수 있습니다. 제가 제기하지 않았습니까? 아니, 그는 했다. 첫 번째 차트입니다. 그리고 두 개의 곡선에서 곡선 F(X)를 사용해야 합니다. F를 X로 결정하는 것이 아니라 반대로 X를 F로 결정하면 됩니다. 동시에 X1과 X2를 결정하는 방정식을 보고 M → N이면 M / N → 1.
따라서 M/N이 M과 함께 증가하면 X1은 증가하고(Ymin은 이에 따라 증가), X2는 감소합니다(Ymax는 이에 따라 감소). 그러나 동시에 항상 Ymin<X1 및 Ymax>X2입니다.
내 계산에서 {X} 시리즈의 1 - 3 - 5개 값은 N 값에 따라 X2의 상한선을 넘어설 수 있습니다(하한선은 이러한 의미에서 중요하지 않음). 동시에 Ymax 값은 절대 초과되지 않습니다. 일반적으로 이해할 수 있습니다. X의 모든 M 값이 가장 큰 경우는 예외입니다. 시리즈 {Y}의 값은 X2를 넘어설 확률은 훨씬 적습니다. Ymax는 말할 것도 없습니다.
즉, 우리는 {Y} 계열의 값 범위 경계에 대해 hard와 soft의 두 가지 추정치를 받았습니다. 작업 요구 사항에 따라 둘 중 하나를 사용할 수 있습니다.
추신
죄송합니다. 사진을 삽입할 수 없습니다. 어떤 형식도 아닙니다. 아마 사이트가 마비된 것 같습니다.
1. 잘 알려진 TA 지표, 특히 오실레이터의 정규화. 좁은 범위의 스무딩 기간에서만 오실레이터로 작업할 수 있다는 사실에 주목한 사람이 있습니까? 주기가 감소함에 따라 앞뒤로 던지기 시작하고 증가함에 따라 진폭이 너무 감소하여 레벨에 도달하지 못합니다. 즐겨찾는 RSI의 예는 다음과 같습니다. 두 기간 14 및 30에 대한 두 가지 옵션. 두 번째 기간에 의존하면 전혀 거래할 수 없습니다. 70/30 수준은 매우 드물게 도달합니다. 또는 각 기간에 대해 이러한 수준을 다시 최적화해야 합니다.
그림 3.
TA 지표는 실제로 t / f에 의존하지 않습니다. 내가 이해하는 한 이것은 통계의 속성입니다. 그러나 평활화 문제를 해결하면 아마도 새로운 것을 얻을 수 있습니다. 이러한 확률적 정규화 절차의 도움으로 충분히 가능하다고 생각합니다.
2. 내 개인적인 문제는 시리즈의 범위가 본질적으로 N에 달려 있다는 사실과 관련이 있습니다. 그러나 그렇지 않으면 어떻게 허스트가 헛된 고통을 겪었습니까? :-))
이제 다른 t / f로의 전환이나 평활화 기간의 변화가 시리즈 값의 범위에 영향을 미치지 않는 보편적인 표준으로 모든 것을 가져올 수 있습니다. 이를 통해 다른 매개변수의 모든 값에 대해 동일한 진입-퇴장 수준을 사용할 수 있습니다. 이러한 조건에서 최적화는 의미가 있습니다. 한 사이트에서 최적화하는 동안 다른 사이트에서 전략의 수익성을 테스트할 수 있습니다. 그것이 지속된다면, 그 전략은 정말로 효과가 있습니다. 그렇지 않으면 휴지통에 있습니다.
아마도 이것은 다른 사람에게 유용할 것입니다.
3. 지금까지 어느 누구도 직접 가격 차트를 정상화할 수 없었습니다. 그러나 그것은 좋을 것입니다. 우리는 절대 가치가 아니라 그 변동에 관심이 있습니다. 아마도 이런 식으로 작동할 것입니다. 원하는 사람은 시도할 수 있습니다.
4. 아무것도 이해하지 못하는 신경망에서는 데이터를 정규화해야 합니다. 조절된 범위를 넘어서면 신경뇌가 신경지붕을 잃는다는 사실로 이어집니다.
아마도 이 정규화 방법은 현재 사용되는 것보다 어떤 경우에는 더 유용할 것입니다.
그게 다야. 비판은 어떤 형태로든 받아들입니다.
추신
의도적으로 코드나 코드 예제를 게시하지 않았습니다. 알고리즘은 자세히 설명되어 있지 않지만 매우 자세하게 설명되어 있습니다. 그것을 알아내는 것은 어렵지 않을 것입니다. 물론 원하는 경우.
커뮤니티가 내 모범을 따르도록 권장합니다.
이유는 다음과 같습니다.
이 파이는 먹을 준비가 되지 않았습니다. 이것은 최종 해결책이 아니라 방법입니다. 사적인 문제에서 이 방법을 사용하면 사적인 문제로 남게 됩니다. 그것을 알아내거나 의미 있게 사용하는 데 신경 쓰지 않고 다른 사람의 솔루션을 사용하기 위해 서두르는 사람들은 잘못된 인도를 받고 시간과 돈을 낭비하게 될 것입니다.
이 방법을 올바르게 사용하려면 다음이 필요합니다.
1. 시리즈 {X}가 무엇인지 공식화하십시오.
2. 적절한 절차에 따라 올바르게 형성하십시오.
3. 통계를 탐색하고 통계 매개변수를 계산합니다.
4. 이 시리즈의 통계가 서로 다른 전화번호와 일치하는지 조사합니다.
5. 통계와 일치하는 쌍 k,n을 선택합니다.
6. 매개변수 B를 계산합니다.
7. 모델 분포 함수 p(X)를 구성하고 실험 함수와 비교합니다. 이 방법의 추가 사용은 모델과 실험 간의 합의가 만족스러운 경우에만 올바릅니다. 그리고 이를 위해서는 여전히 평가 기준이 필요합니다.
8. 그리고 마지막으로 수신된 Ymin과 Ymax를 올바르게 사용할 수 있어야 합니다. 이것도 생각보다 쉽지가 않습니다. :-)
따라서 상점의 형제들은 공짜를 장려하지 않을 뿐만 아니라 다른 사람들에게 기회, 즉 주도권을 잡고 스스로 무언가를 이해할 수 있는 기회를 줍니다.
놀랍게도 결과 이동 평균 시리즈의 범위를 보는 대신 우리는 입증되지 않은 분포를 기반으로 하는 이론적 추정과 심지어 경사하강법까지 조용히 끝냈습니다. 이것은 이론적으로 멋지다!
네, 아직 믿기지 않습니다. 영광스러운 도시 쿠르간으로 출장을 다녀온 후 다시 읽어보겠습니다. :에 대한)))
추신 : 나는 거의 과학 생활에서 한 사례를 기억합니다. 나는 긴 연역 공식을 가지고 상사에게 갔고,보고 나서 그는 실수는 없지만 더 간단하게 만들 수 있다고 말했습니다. 이 말에 나는 “쉬운 길을 찾는 게 아니다”라고 자랑스럽게 대답했고, 그는 곧바로 “그래서 못찾는다”고 답했다.
놀랍게도 결과 이동 평균 시리즈의 범위를 보는 대신 우리는 입증되지 않은 분포를 기반으로 하는 이론적 추정과 심지어 경사하강법까지 조용히 끝냈습니다. 이것은 이론적으로 멋지다!
제 생각에는 이것이 더 쉽습니다. T/F 및 평균 매개변수에 따라 정규화 계수를 계산하는 표시기 또는 Expert Advisor의 init()에 작은 코드 조각이 포함됩니다. 모든 것이 작동합니다. 그리고 어드바이저가 컴퓨터에 없고 기록이 거기에 업로드되면 챔피언십에서 어떻게 할 것입니까? 얼마나 많은지 아무도 모릅니다.
그러나 이것은 사소한 일입니다. 질문은 더 심각합니다. 기호, t/f 등을 변경할 때 매번 손으로 또는 matcad :-)에서 이러한 계수를 다시 계산해야 합니까? 괴로워하지 않습니까? 또는 모든 문자, s/f, 앤티앨리어싱 등 의 데이터베이스를 만듭니다 . ? :-)
또 다른 가장 중요한 점이 있습니다. 그러나 그를 눈치 채지 못했다면 그와 함께 무화과를 먹으십시오. :-)))
그건 그렇고, "검증되지 않은 분포"는 forex에서 단일 값의 단일 분포가 알려져 있지 않다는 사실에도 불구하고(비정상적이라는 것만 알려져 있음) - 이것은 우스꽝스럽습니다. 좋은 농담.
그래서 작업이 중단되었습니다. 이것은 좋은 것입니다. 이제 내 생각을 표현하려고 합니다. 문제가 있는 경우 잘못 작성했습니다(또는 명확하지 않은 경우 - 알려주세요).
잔디
- 예, 실제로 가장자리 효과가 있습니다. 그러나 이것이 요점이며 종종 나쁜(간섭) 것으로 간주됩니다. 그리고 갑자기 여기에 "확률적 공명"이 나타납니다. 이 옵션을 가정해 봅시다. 가격 움직임의 방향은 곡선의 방향(공명)과 일치하고 일치하지 않습니다(공진 없음). 누가 스레드를 확인 했습니까? (갑자기 성배 와 거짓말 J가 있습니다). Hanning, Hamming, Blackman 등의 다양한 창구를 할인할 수 없습니다. (이 효과 감소)
- 노이즈에 관해서는 우리는 항상 신호 + 노이즈가 혼합되어 있습니다. 그리고 우리는 그것을 기계적으로 신호와 분리하는 메커니즘이 없습니다(내 예에서와 같이 수신기를 닫고 강도 측정). 따라서 다른 옵션을 제안합니다. 에너지 개념부터 시작합니다. 신호 에너지 - 시장을 움직입니다. 소음 에너지 - 우리가 볼 수 없도록 합니다(유용한 신호 선택).
- 행동하는 방법
...hooked은 무슨 뜻인가요? 물론 당신이 그것을 주의 깊게 읽지 않는 한(시간을 찾음) 우리는 여기에서 20페이지에 걸쳐 그것에 대해 논의하고 있습니다. 신호 처리에 대한 좋은 설명은 감사합니다. 하지만 이 주제를 효과적으로 처리하고 FIR 또는 IIR 클래스의 일반 디지털 저역 통과 필터로 교체하려면 무화과에서 모든 것을 버리는 것이 좋습니다. 물론 LPF가 진정한 신호를 찾을 것이라고 확신하지 않는 한.
노이즈와 관련하여 WE가 아닌 ALWAYS를 선택하는 것이 더 논리적이지만 이 접근 방식으로 가장자리 효과가 제대로 제거되지 않는다는 사실은 사실이므로 가장자리에서 노이즈를 강조 표시하지 않습니다. 당신의 신호는 잡음이 될 것입니다.
추신 : 결과적으로 FATL보다 훨씬 더 나쁜 필터를 발명하게 될 것입니다. 자신과 나를 속이지 마십시오. 적응형 필터를 만드는 것은 전체 기술이며 디자인 원칙이 완전히 다릅니다.
솔직한 이 백서에서는 잠재적 수준의 관점에서 가격 움직임 예측을 설명합니다. 관심을 가질 수 있습니다. 품질은 중요하지 않지만 모노로 읽으십시오. 특히 4페이지에 대한 수식과 그래프가 있기 때문입니다.
흠, 제가 처음에 링크를 안 줬나요? :) 속담에 물 위에 빵을 던지면 돌아온다는 속담처럼 :). 잘했어, IMHO.
- 지표 구축
klot 라이브러리에서 시도할 때 특정 지표를 만들었던 기억이 납니다. 시각화 도우미에서 실행하고 FFT에 대한 막대가 충분할 때까지 기다리기만 하면 됩니다. 거기 점프는 주파수가 재생되는 횟수에서 명확하고 샘플이 증가하면 매끄럽게됩니다. 물론 klot 의 라이브러리가 제자리에 있어야 합니다(CodeBase에서 사용 가능).
흠, 제가 처음에 링크를 주지 않았습니까? :) 속담에 물 위에 빵을 던지면 돌아온다는 속담처럼 :). 잘했어, IMHO.
흠, 알겠습니다. 적어도 어디에서, 어디서 누구의 공급을 흔들었는지, 읽고 난 후 당신이 기사를 원하고 링크를 준 사람을 잊었다는 것도 기억했습니다. 예, Strugatskys의 물고기를 기억하십시오 "내 년은 나무를 톱질하는 것과 같지 않습니다 ..." 그러나 모든 구름에는 은색 안감이 있습니다. 사람들은 이 부두를 다시 한 번 흔들 수 있고 또 흔들 것입니다.
모든 관심과 시청자의 관심을 끌기 위해.
며칠 전 여러분께 드린 문제에 대한 해결책을 게시하고 있습니다. 원칙적으로 새로운 것은 없습니다. 나는 이것에 대해 지난 포스트에서 설명한 프로그램을 방금 구현했습니다. 레이아웃의 의미는 간단합니다. 이 방법을 사용할 수 있는 몇 가지 가능성이 있으므로 누군가에게 유용할 수 있습니다. 나는 또한 이론적 접근의 유용성을 "시연"하고 싶습니다.
따라서 작업은 간단합니다. 특정 통계에 따라 일련의 난수 {X}가 있습니다. X의 가능한 값은 구간 [0,∞]에 속하기 때문에 통계는 가우스가 아닙니다. 점 X=0은 일반적으로 일반 인구에 속하지 않을 수 있습니다. {X} - N 시리즈의 구성원 수는 사용 가능한 데이터 및 기타 통계 매개변수를 기반으로 구축된 분포를 어느 정도 신뢰할 수 있을 만큼 충분히 큽니다.
µ=M(X) – 계열 {X}의 평균값
D=M(X*X) – 계열 {X}의 분산
σ =√D – 점수 {Х}
기존 계열은 제한적이므로 모든 요소는 유한 구간 [Xmin,Xmax], Xmin>=0에 속합니다.
기존 시리즈 {X}에 기간 M을 사용하여 이동 평균 Y를 작성합니다. 평균화 방법은 임의적일 수 있습니다. 결과적으로 구성원 수가 N–M+1인 새 시리즈 {Y}를 얻습니다. {Y} 계열의 값 집합도 유한 간격에 속합니다. [Ymin,Ymax]로 표시합니다.
문제는 {X} 시리즈의 통계 및 매개변수를 기반으로 Ymin 및 Ymax를 계산하는 방법입니다. 어떤 용도로 사용할 수 있는지, 마지막에 작성하겠습니다.
첫 번째 단계는 {X} 계열 분포의 분석적 형태를 구성하는 것입니다. Bulashev에서 나는 정의 영역이 [0,∞]인 로그 정규 분포를 갖는 하나의 분포 함수만 찾았습니다. 나는 그것에 대해 나쁜 말을하지 않을 것이지만 그것은 나에게 어울리지 않았습니다.
내(및 다른 많은) 계열의 통계 는 확률 밀도 p(X)가 X→0 및 X→∞로 0이 되는 경향이 있기 때문에 p(X)에 대해 다음과 같은 일반 형식을 가정했습니다.
p(X)=A*(X^a)*exp(–B*(X^b)), 여기서 a>0 및 b>0
따라서 적분 분포 함수는 다음과 같이 정의됩니다. F(X)= ∫ p(ξ) dξ. 여기와 아래는 0에서 X까지의 통합 제한을 가정합니다. 불행히도 로컬 편집자는 위 첨자 및 아래 첨자를 사이트에 입력하는 것을 허용하지 않습니다. 당신은 변태해야합니다. 물론 서투른 것처럼 보이지만 할 일이 없습니다. ξ는 적분 변수일 뿐입니다.
이것으로 무언가를 할 수 있으려면 이 적분을 분석적 형태로 취해야 합니다. 부분으로 적분하고 한계값 p(0)=0을 사용하여 다음을 확인할 수 있습니다.
∫ (ξ^a)*exp(–B*(ξ^b)) dξ = –1/(B*b) * (X^(a–b+1))*exp(–B*(X^b) )) + (a–b+1)/ (B*b) *∫ (ξ^(a–b))*exp(–B*(ξ^b)) dξ
즉, X의 지수는 매번 b만큼 감소합니다. k 단계 후에 이 표시기가 b–1과 같아지면 적분은 표 형식으로 축소됩니다. 따라서 적분성 조건을 명시적 형식으로 공식화할 수 있습니다.
a – k*b = b – 1 또는 a = (k+1)*b – 1, 여기서 k>0은 정수입니다.
그러나 평균과 분산을 계산해야 하기 때문에 이 적분성만으로는 충분하지 않습니다. 이 분포의 모든 중심 모멘트가 명시적으로 계산되는 데 필요한 것이 무엇인지 봅시다. 분명히, µ = ∫X*p(X) dX(여기서 적분은 ∞까지). 우리는 µ(X)의 함수로 µ를 계산하고 적분에서 변수의 상한을 설정합니다.
μ(Х) = ∫ ξ*A*(ξ^a)*exp(–B*(ξ^b)) dξ = ∫ A*(ξ^(a+1))*exp(–B*(ξ^ b)) dξ
즉, 지수 a1=a+1과 같은 종류의 적분입니다. 적분성을 위해1은 동일한 조건을 충족해야 합니다.
a1 = (k1+1)*b – 1, 여기서 k1>0은 정수입니다.
이것을 에 대한 조건과 비교하면 다음을 얻습니다. b = 1/( k1 – k). n = k1 – k를 나타내면 마침내 매개변수 b의 허용 가능한 형식을 얻습니다. b = 1/n, 여기서 n>0은 정수입니다. 또한 관계 0<n<=k가 유지되어야 합니다.
이 모든 것을 염두에 두고 누적 분포 함수 F(X)뿐만 아니라 이 분포의 모든 중심 모멘트를 명시적으로 얻을 수 있습니다.
F(X) = 1 – exp(–Z)*∑(Z^i)/i!
Ml(X) = (k+n*l)!/(k!*(B^(n*l))) *{ 1 – exp(–Z)*∑ (Z^i)/i! }, 여기서 Z = B*(X^(1/n)) .
p(X) 함수에 나타나는 상수 A는 정규화 조건에서 계산되고 이러한 식에서 고려됩니다. 상단 라인의 합 기호 ∑는 0에서 k까지의 인덱스 i에 대한 합을 의미하고, 하단 라인은 0에서 k+n*l까지 i에 대한 합을 의미합니다. 수량 Ml은 l번째 중심 모멘트입니다(l과 1을 혼동하지 마십시오).
얻은 모든 함수는 X=0에 대해 0으로 바뀌고 X→∞에 대해 다음과 같은 제한이 있습니다.
F(X→∞) = 1(정규화 조건) 및 Ml(X→∞) = (k+n*l)!/(k!*(B^(n*l))).
따라서 우리는 다음을 얻습니다.
μ = M(X) = M1(X) = (k+n)!/(k!*(B^n))
D = M(X*X) = M2(X) = (k+2*n)!/(k!*(B^(2*n)))
이제 완전한 행복을 위해 모든 것이 준비되었으므로 원래 행으로 돌아갈 수 있습니다. 최종 분포 함수 p(X)에는 p(X)가 시리즈 {X} - B, k, n의 통계를 가장 잘 재현하도록 하는 데 사용할 수 있는 세 가지 매개변수가 있습니다.
물론 MNC에서 찾을 수 있지만 지루합니다. 나는 내 행을 더 쉽게 만들었습니다. 위의 공식을 보면 알 수 있다.
D/μ^2 = (k+2*n)!*k!/((k+n)!)^2
따라서 D/μ^2의 값은 B에 의존하지 않습니다. D와 μ는 시리즈 {X}에 대해 알려져 있으므로 가장 가까운 값을 제공하는 쌍(n,k)을 선택하기만 하면 됩니다. 방금 쌍 (n, k)의 유효한 값에 대한 테이블을 만들고 (2, 3), (3.8), (4.16) 및 (5.26)의 4가지 적합한 값만 찾았습니다. 이제 B의 값은 D 또는 µ에 대한 식에서 기본적으로 결정됩니다.
흥미롭게도 처음 두 쌍의 값(n,k)(나머지는 확인하지 않음)은 실험적 p(X) 분포 곡선의 우수한 재현성을 제공했습니다. 어쨌든 이 품질은 나에게 탁월합니다.
내 마음속에 흥미로운 질문이 떠올랐다. 아마도 누군가는 좋은 속성을 가진 간단하고 편리한 유형의 분포 함수가 통계에서 사용되지 않는 이유를 알려줄 것입니다. 그리고 그것이 사용된다면 왜 그것에 대해 기록되지 않습니까? 나는 로그 정규 이외의 증분 분포를 근사하려고 시도하는 사람을 본 적이 없습니다.
Marleson 발레의 세 번째 단계는 특정 한계 X1 및 X2의 계산과 연결됩니다.
시리즈 Y = ∑ X의 구성은 X의 M 값의 특정 평균화와 연관됩니다. 이 평균화에 X의 가장 작은 M 값이 포함되는 경우 Ymin(이론적 최소값)을 얻을 수 있다고 가정하는 것이 합리적입니다. 유사하게, Ymax.
ОХ 축에서 X 값의 가장 작은 M 값이 [0, X1] 구간을 차지하고, X 값의 가장 큰 M 값이 [X2, ∞] 구간을 차지합니다. 이것은 실제로 X1과 X2의 정의입니다.
시리즈 {X}에 N개의 요소가 있으므로 F(X1) = M/N 및 1 - F(X2) = M/N입니다.
함수 F(X)는 분석적 형태로 알려져 있으므로 X1과 X2를 결정하기 위한 위의 방정식은 비록 초월적이지만 분석적 방정식입니다. 모든 수치 반복 방법을 적용하여 해결할 수 있습니다. 아래 그래프에서 알 수 있듯이 F(X) 함수는 변곡점에서 시작하여 단조롭기 때문에 경사하강법을 사용하면 F(X1) 및 F(X2) 값에 빠르게 도달할 수 있습니다. ). MQL에서 허용하는 최대 정확도로 계산할 때 X1 및 X2 값을 얻는 데 13-14단계가 걸렸고 1초 미만의 시간이 걸렸습니다. 이 경우 시간은 실제로 쌍 (2.3)과 (3.8)에서 다르지 않았습니다. 그래도 MQL은 좋은 것입니다. (어떤맛캐드가있나요....제이)
여기서 p(X)는 어디에 있고 F(X)는 어디에 있는지 명확하기를 바랍니다.
그림 1.
M 값에 대한 X1 및 X2의 의존성 또는 M/N 비율에 대한 의존성을 살펴보는 것도 흥미로울 것입니다. 하지만 얼마 남지 않았기 때문에 일단 미루겠습니다. M→N, X1→∞ 및 X2→0이 유지되어야 하는 극한에서만 주의해야 합니다. 그리고 우리는 이 전체 이야기의 궁극적인 목표의 정의, Ymin과 Ymax의 가치를 다룰 것입니다.
지금은 실제로 매우 쉽습니다. 구간 [0, X1]은 M개의 가장 작은 X의 위치를 지정하고 [X2, ∞] - M개의 가장 큰 X. 우리의 임무는 두 개의 평균값을 결정하는 것입니다. 평균화 알고리즘 이 간단하지 않은 경우 문제는 각각의 특정 경우에 대해 별도로 해결되어야 합니다. 단순 MA에 해당하는 경우 다음 공식을 사용할 수 있습니다.
Ymin = M(X1)/F(X1) 및 Ymax = (µ – M(X2))/(1 – F(X2)).
이 공식은 단순한 "물리적 의미"를 가지므로 설명은 생략하겠습니다. 대신, 나는 X1과 X2의 값에 대한 Ymin과 Ymax의 의존도를 그래프로 보여줍니다. Ymin은 빨간색으로 Ymax는 파란색으로 표시됩니다. 수평 청록색 선은 µ 값을 나타냅니다.
예상대로 X1→∞의 Ymin과 X2→0의 Ymax는 둘 다 μ가 되는 경향이 있습니다. 하나는 아래에서, 다른 하나는 위에서부터입니다.
그림 2.
이 두 경우 모두 M → N에 해당하는데, 이는 X1과 X2가 M의 값에 의존하는 그래프에서 명확하게 알 수 있습니다. 제가 제기하지 않았습니까? 아니, 그는 했다. 첫 번째 차트입니다. 그리고 두 개의 곡선에서 곡선 F(X)를 사용해야 합니다. F를 X로 결정하는 것이 아니라 반대로 X를 F로 결정하면 됩니다. 동시에 X1과 X2를 결정하는 방정식을 보고 M → N이면 M / N → 1.
따라서 M/N이 M과 함께 증가하면 X1은 증가하고(Ymin은 이에 따라 증가), X2는 감소합니다(Ymax는 이에 따라 감소). 그러나 동시에 항상 Ymin<X1 및 Ymax>X2입니다.
내 계산에서 {X} 시리즈의 1 - 3 - 5개 값은 N 값에 따라 X2의 상한선을 넘어설 수 있습니다(하한선은 이러한 의미에서 중요하지 않음). 동시에 Ymax 값은 절대 초과되지 않습니다. 일반적으로 이해할 수 있습니다. X의 모든 M 값이 가장 큰 경우는 예외입니다. 시리즈 {Y}의 값은 X2를 넘어설 확률은 훨씬 적습니다. Ymax는 말할 것도 없습니다.
즉, 우리는 {Y} 계열의 값 범위 경계에 대해 hard와 soft의 두 가지 추정치를 받았습니다. 작업 요구 사항에 따라 둘 중 하나를 사용할 수 있습니다.
추신
죄송합니다. 사진을 삽입할 수 없습니다. 어떤 형식도 아닙니다. 아마 사이트가 마비된 것 같습니다.
그리고 결론적으로 이 모든 것이 필요한 이유는 무엇입니까?
이 작업을 수행하는 동안 이 모든 것의 여러 용도를 보았습니다.
1. 잘 알려진 TA 지표, 특히 오실레이터의 정규화. 좁은 범위의 스무딩 기간에서만 오실레이터로 작업할 수 있다는 사실에 주목한 사람이 있습니까? 주기가 감소함에 따라 앞뒤로 던지기 시작하고 증가함에 따라 진폭이 너무 감소하여 레벨에 도달하지 못합니다. 즐겨찾는 RSI의 예는 다음과 같습니다. 두 기간 14 및 30에 대한 두 가지 옵션. 두 번째 기간에 의존하면 전혀 거래할 수 없습니다. 70/30 수준은 매우 드물게 도달합니다. 또는 각 기간에 대해 이러한 수준을 다시 최적화해야 합니다.
그림 3.
TA 지표는 실제로 t / f에 의존하지 않습니다. 내가 이해하는 한 이것은 통계의 속성입니다. 그러나 평활화 문제를 해결하면 아마도 새로운 것을 얻을 수 있습니다. 이러한 확률적 정규화 절차의 도움으로 충분히 가능하다고 생각합니다.
2. 내 개인적인 문제는 시리즈의 범위가 본질적으로 N에 달려 있다는 사실과 관련이 있습니다. 그러나 그렇지 않으면 어떻게 허스트가 헛된 고통을 겪었습니까? :-))
이제 다른 t / f로의 전환이나 평활화 기간의 변화가 시리즈 값의 범위에 영향을 미치지 않는 보편적인 표준으로 모든 것을 가져올 수 있습니다. 이를 통해 다른 매개변수의 모든 값에 대해 동일한 진입-퇴장 수준을 사용할 수 있습니다. 이러한 조건에서 최적화는 의미가 있습니다. 한 사이트에서 최적화하는 동안 다른 사이트에서 전략의 수익성을 테스트할 수 있습니다. 그것이 지속된다면, 그 전략은 정말로 효과가 있습니다. 그렇지 않으면 휴지통에 있습니다.
아마도 이것은 다른 사람에게 유용할 것입니다.
3. 지금까지 어느 누구도 직접 가격 차트를 정상화할 수 없었습니다. 그러나 그것은 좋을 것입니다. 우리는 절대 가치가 아니라 그 변동에 관심이 있습니다. 아마도 이런 식으로 작동할 것입니다. 원하는 사람은 시도할 수 있습니다.
4. 아무것도 이해하지 못하는 신경망에서는 데이터를 정규화해야 합니다. 조절된 범위를 넘어서면 신경뇌가 신경지붕을 잃는다는 사실로 이어집니다.
아마도 이 정규화 방법은 현재 사용되는 것보다 어떤 경우에는 더 유용할 것입니다.
그게 다야. 비판은 어떤 형태로든 받아들입니다.
추신
의도적으로 코드나 코드 예제를 게시하지 않았습니다. 알고리즘은 자세히 설명되어 있지 않지만 매우 자세하게 설명되어 있습니다. 그것을 알아내는 것은 어렵지 않을 것입니다. 물론 원하는 경우.
커뮤니티가 내 모범을 따르도록 권장합니다.
이유는 다음과 같습니다.
이 파이는 먹을 준비가 되지 않았습니다. 이것은 최종 해결책이 아니라 방법입니다. 사적인 문제에서 이 방법을 사용하면 사적인 문제로 남게 됩니다. 그것을 알아내거나 의미 있게 사용하는 데 신경 쓰지 않고 다른 사람의 솔루션을 사용하기 위해 서두르는 사람들은 잘못된 인도를 받고 시간과 돈을 낭비하게 될 것입니다.
이 방법을 올바르게 사용하려면 다음이 필요합니다.
1. 시리즈 {X}가 무엇인지 공식화하십시오.
2. 적절한 절차에 따라 올바르게 형성하십시오.
3. 통계를 탐색하고 통계 매개변수를 계산합니다.
4. 이 시리즈의 통계가 서로 다른 전화번호와 일치하는지 조사합니다.
5. 통계와 일치하는 쌍 k,n을 선택합니다.
6. 매개변수 B를 계산합니다.
7. 모델 분포 함수 p(X)를 구성하고 실험 함수와 비교합니다. 이 방법의 추가 사용은 모델과 실험 간의 합의가 만족스러운 경우에만 올바릅니다. 그리고 이를 위해서는 여전히 평가 기준이 필요합니다.
8. 그리고 마지막으로 수신된 Ymin과 Ymax를 올바르게 사용할 수 있어야 합니다. 이것도 생각보다 쉽지가 않습니다. :-)
따라서 상점의 형제들은 공짜를 장려하지 않을 뿐만 아니라 다른 사람들에게 기회, 즉 주도권을 잡고 스스로 무언가를 이해할 수 있는 기회를 줍니다.
프로그래머는 손에 들어오는 모든 것을 프로그래밍하는 사람이 아닙니다.
사람이 타는 모든 것과 움직이는 모든 것을 마시는 사람이 아닌 것처럼.
물론 하는건데 '항문을 통해서'라고 합니다. 일시적인 조치이길 바랍니다. 제대로 작동하는 대로 사진이 있어야 할 위치에 삽입하겠습니다.
추신
아아, 그럼에도 불구하고 아무것도 달라 붙지 않습니다.
중재자 여러분, AUUUUUUUUUU!!! 사이트를 복구하십시오, pls. 사진이나 파일을 첨부하지 마십시오 ...
유리크스에게
놀랍게도 결과 이동 평균 시리즈의 범위를 보는 대신 우리는 입증되지 않은 분포를 기반으로 하는 이론적 추정과 심지어 경사하강법까지 조용히 끝냈습니다. 이것은 이론적으로 멋지다!
네, 아직 믿기지 않습니다. 영광스러운 도시 쿠르간으로 출장을 다녀온 후 다시 읽어보겠습니다. :에 대한)))
추신 : 나는 거의 과학 생활에서 한 사례를 기억합니다. 나는 긴 연역 공식을 가지고 상사에게 갔고,보고 나서 그는 실수는 없지만 더 간단하게 만들 수 있다고 말했습니다. 이 말에 나는 “쉬운 길을 찾는 게 아니다”라고 자랑스럽게 대답했고, 그는 곧바로 “그래서 못찾는다”고 답했다.
유리크스에게
놀랍게도 결과 이동 평균 시리즈의 범위를 보는 대신 우리는 입증되지 않은 분포를 기반으로 하는 이론적 추정과 심지어 경사하강법까지 조용히 끝냈습니다. 이것은 이론적으로 멋지다!
제 생각에는 이것이 더 쉽습니다. T/F 및 평균 매개변수에 따라 정규화 계수를 계산하는 표시기 또는 Expert Advisor의 init()에 작은 코드 조각이 포함됩니다. 모든 것이 작동합니다. 그리고 어드바이저가 컴퓨터에 없고 기록이 거기에 업로드되면 챔피언십에서 어떻게 할 것입니까? 얼마나 많은지 아무도 모릅니다.
그러나 이것은 사소한 일입니다. 질문은 더 심각합니다. 기호, t/f 등을 변경할 때 매번 손으로 또는 matcad :-)에서 이러한 계수를 다시 계산해야 합니까? 괴로워하지 않습니까? 또는 모든 문자, s/f, 앤티앨리어싱 등 의 데이터베이스를 만듭니다 . ? :-)
또 다른 가장 중요한 점이 있습니다. 그러나 그를 눈치 채지 못했다면 그와 함께 무화과를 먹으십시오. :-)))
그건 그렇고, "검증되지 않은 분포"는 forex에서 단일 값의 단일 분포가 알려져 있지 않다는 사실에도 불구하고(비정상적이라는 것만 알려져 있음) - 이것은 우스꽝스럽습니다. 좋은 농담.