Olá, Vladimir, muito obrigado pela gentileza de compartilhar seus belos, impressionantes, espantosos e incríveis pensamentos e ideias futuristas e avançados. Sou seu fã na codificação do mql4 ou 5. Vamos continuar assim. Também agradeço muito a ajuda de McLaden, embora a explicação seja curta, mas muito útil. Deus abençoe a todos vocês.
Tudo foi escrito de forma inteligente e compacta. Muito obrigado.
Há desejos de melhoria, se ainda estiver fazendo isso.
1. No histórico, é necessário desenhar não um vizinho, mas o último ponto da previsão, deslocado para trás por seu comprimento (Nfut). Ou seja, calcular e desenhar a previsão para algum intervalo no passado. Assim, a qualidade da previsão será óbvia. Entretanto, o indicador levará muito tempo para pensar na inicialização.....
2. um vizinho é muito pouco! O resultado é instável.
Teoricamente, é necessário considerar o número de vizinhos = 3 comprimentos do vetor inicial (ou seja, padrão) e, em seguida, calcular a média de todas as previsões (e melhor, com pesos proporcionais aos coeficientes de correlação).
Tenho um algoritmo aprimorado de vizinho mais próximo que uso para meus propósitos. Ele supera as desvantagens mencionadas. A ideia é simples. Ao procurar o vizinho mais próximo em padrões históricos, armazene todos os padrões passados, seus padrões futuros conhecidos e os coeficientes de correlação entre esses padrões passados e o padrão atual. Vamos chamar esses coeficientes de correlação de r, que é o vetor de todas as correlações passadas. Em vez de selecionar o padrão passado com o maior abs (r) como o vizinho mais próximo, use TODOS os padrões passados como "vizinhos mais próximos", mas com suas contribuições ponderadas exp(sw*abs(r)), em que sw é um expoente selecionado pelo usuário que controla a seletividade da previsão de padrões passados com os maiores coeficientes de correlação. Um valor muito grande de sw fará com que a previsão seja influenciada somente pelo vizinho com a correlação mais forte (o verdadeiro "vizinho mais próximo"). Um sw muito pequeno fará com que todos os padrões anteriores sejam igualmente importantes. Aqueles que entenderem a ideia podem reescrever o código acima e publicar um novo indicador. Abaixo está a implementação em Matlab. Se você precisar incluir somente padrões anteriores com correlação positiva, remova a função abs () em r = abs (...). Assim, os padrões anteriores com correlação negativa terão automaticamente o peso mais baixo.
% Inputs
% sp is a time series to be predicted as a column vector
np=100; % past pattern length
nf=np; % future pattern length
sw=100; % weighting exponent in kNN
% Compute correlations to past patterns in sp
m =numel(sp);% number of bars in sp
x =sp(1:m-np-nf); % past patterns
y =sp(m-np-nf+1:m-nf); % current past pattern
f =sp(np+1:m-nf); % future patterns
yf =sp(m-nf:m); % current future pattern
Sx =movsum(x,np,'Endpoints','discard');
Sxx=movsum(x.^2,np,'Endpoints','discard');
Sy =sum(y);
Syy=sum(y.^2);
Sxy=conv(x,flip(y),'valid');
num=Sxy*np-Sx*Sy;
den=Sxx*np-Sx.*Sx;
r =abs(real(num./sqrt(den)/sqrt(Syy*np-Sy*Sy)));
% Find nearest neighbor and extrapolate
w=exp(sw*r);
wsum=sum(w);
w=w/wsum;% weighting coefficients of past patterns
a1=num./den;
a0=(Sxx.*Sy-Sx.*Sxy)./den;
a1=w.*a1;
a0=w.*a0;
a0_sum=sum(a0);
xp=conv(x,flip(a1),'valid')+a0_sum; % composite matched past pattern
xf=conv(f,flip(a1),'valid')+a0_sum; % predicted future pattern
xf=[xp(end);xf];
% Plot
figure
plot(1:np,y,'-k'); hold on;
plot(1:np,xp,'-b'); hold on;
plot(np:np+nf,yf,':k'); hold on;
plot(np:np+nf,xf,'-r');
Vladimir selecionado pelo usuário que controla a seletividade da previsão de padrões passados com os maiores coeficientes de correlação. Um valor muito grande de sw fará com que a previsão seja influenciada somente pelo vizinho com a correlação mais forte (o verdadeiro "vizinho mais próximo"). Um sw muito pequeno fará com que todos os padrões anteriores sejam igualmente importantes. Aqueles que entenderem a ideia podem reescrever o código acima e publicar um novo indicador. Abaixo está a implementação em Matlab. Se você precisar incluir somente padrões anteriores com correlação positiva, remova a função abs () em r = abs (...). Assim, os padrões anteriores com correlação negativa terão automaticamente o peso mais baixo.
Vladimir, entendo a ideia. Mas ainda será uma previsão aleatória.
Fiz muitos experimentos para encontrar padrões há cerca de 10 anos. Com espelhamento, inversão, soma de padrões. Conclusão - completa aleatoriedade na continuação de um paternus no futuro. Todas as coincidências são aleatórias.
Vladimir, entendi a ideia. Mas ainda será uma previsão aleatória.
Fiz muitos experimentos com a busca de paternos há cerca de 10 anos. Com espelhamento, inversão, soma de paternos. Conclusão - completa aleatoriedade na continuação de um paternus no futuro. Todas as coincidências são aleatórias.
Vladimir, entendi a ideia. Mas ainda será uma previsão aleatória.
Fiz muitos experimentos com a busca de paternos há cerca de 10 anos. Com espelhamento, inversão e soma de paternos. Conclusão - completa aleatoriedade na continuação de um paternus no futuro. Todas as coincidências são aleatórias.
Se você considerar o tempo real, de modo algum. Movimentos semelhantes em momentos semelhantes. Se você retirar o fator tempo do sistema, terá a aleatoriedade.
Para login e uso do site MQL5.com, você deve ativar o uso de cookies.
Ative esta opção no seu navegador, caso contrário você não poderá fazer login.
Você entrou na conta. A autenticação de dois fatores foi desativada. Configure-a novamente e escaneie um novo código QR ou continue com a autenticação de dois fatores desativada.
Há um aviso. Você poderia me ajudar? Agradeço desde já.
Para o autor, parabéns!
Tudo foi escrito de forma inteligente e compacta. Muito obrigado.
Há desejos de melhoria, se ainda estiver fazendo isso.
1. No histórico, é necessário desenhar não um vizinho, mas o último ponto da previsão, deslocado para trás por seu comprimento (Nfut). Ou seja, calcular e desenhar a previsão para algum intervalo no passado. Assim, a qualidade da previsão será óbvia. Entretanto, o indicador levará muito tempo para pensar na inicialização.....
2. um vizinho é muito pouco! O resultado é instável.
Teoricamente, é necessário considerar o número de vizinhos = 3 comprimentos do vetor inicial (ou seja, padrão) e, em seguida, calcular a média de todas as previsões (e melhor, com pesos proporcionais aos coeficientes de correlação).
Hey Vladimir,
I wanted to talk with you about this indicator for a customization job.
Contact me if you can: najnudel@gmail.com.
tks
Tenho um algoritmo aprimorado de vizinho mais próximo que uso para meus propósitos. Ele supera as desvantagens mencionadas. A ideia é simples. Ao procurar o vizinho mais próximo em padrões históricos, armazene todos os padrões passados, seus padrões futuros conhecidos e os coeficientes de correlação entre esses padrões passados e o padrão atual. Vamos chamar esses coeficientes de correlação de r, que é o vetor de todas as correlações passadas. Em vez de selecionar o padrão passado com o maior abs (r) como o vizinho mais próximo, use TODOS os padrões passados como "vizinhos mais próximos", mas com suas contribuições ponderadas exp(sw*abs(r)), em que sw é um expoente selecionado pelo usuário que controla a seletividade da previsão de padrões passados com os maiores coeficientes de correlação. Um valor muito grande de sw fará com que a previsão seja influenciada somente pelo vizinho com a correlação mais forte (o verdadeiro "vizinho mais próximo"). Um sw muito pequeno fará com que todos os padrões anteriores sejam igualmente importantes. Aqueles que entenderem a ideia podem reescrever o código acima e publicar um novo indicador. Abaixo está a implementação em Matlab. Se você precisar incluir somente padrões anteriores com correlação positiva, remova a função abs () em r = abs (...). Assim, os padrões anteriores com correlação negativa terão automaticamente o peso mais baixo.
Vladimir, entendo a ideia.
Mas ainda será uma previsão aleatória.
Fiz muitos experimentos para encontrar padrões há cerca de 10 anos. Com espelhamento, inversão, soma de padrões. Conclusão - completa aleatoriedade na continuação de um paternus no futuro. Todas as coincidências são aleatórias.
Vladimir, entendi a ideia.
Mas ainda será uma previsão aleatória.
Fiz muitos experimentos com a busca de paternos há cerca de 10 anos. Com espelhamento, inversão, soma de paternos. Conclusão - completa aleatoriedade na continuação de um paternus no futuro. Todas as coincidências são aleatórias.
Concordo
Vladimir, entendi a ideia.
Mas ainda será uma previsão aleatória.
Fiz muitos experimentos com a busca de paternos há cerca de 10 anos. Com espelhamento, inversão e soma de paternos. Conclusão - completa aleatoriedade na continuação de um paternus no futuro. Todas as coincidências são aleatórias.
Se você considerar o tempo real, de modo algum. Movimentos semelhantes em momentos semelhantes. Se você retirar o fator tempo do sistema, terá a aleatoriedade.
esse código precisa de pequenos aprimoramentos, mas, ok, sua ideia faz sentido