Prevendo o futuro com as transformações de Fourier - página 45
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Eu concordo. Mas as redes neurais têm maneiras de evitar o ajuste à história, embora também haja complicações. Mas com Fourier, quase não há como identificar harmônicas ou harmônicas que serão lucrativas no futuro - essa é a dificuldade de aplicar Fourier aos mercados financeiros.
Isto é, você pode fazer estes cálculos, como decompor os dados em harmônicos, ajustar amplitudes, fases, somar, somente em vez disso você pode calcular coeficientes para calcular o resultado como nos indicadores FATL, SATL - apenas multiplicando os preços por coeficientes e somando.
De acordo. Mas as redes neurais têm maneiras de evitar a adaptação à história, embora também existam algumas dificuldades. Mas com Fourier, quase não há como identificar harmônicas ou harmônicas que serão lucrativas no futuro - essa é a dificuldade de aplicar Fourier nos mercados financeiros.
Com qualquer sistema, você deve fazer uma verificação de ajuste, fazer um teste de verificação na próxima seção após a otimização. O mesmo é verdade. Com uma rede - treinar a rede, testá-la. Com qualquer outro sistema - otimizar, verificar teste além do período de otimização.
A maneira de determinar a harmônica é otimizar em um testador.
Com qualquer sistema, você deve fazer uma verificação de ajuste, fazer um teste de verificação na próxima seção após a otimização. O mesmo é verdade. Com uma rede - treinar a rede, testá-la. Com qualquer outro sistema - otimizar, verificar teste além do período de otimização.
A maneira de determinar a harmônica é otimizar em um testador.
Bem, Fourier não tem tal método de determinação - ou é adivinhar pela borra de café ou um dedo no céu, porque tudo repousa na escolha, ou seja, na escolha dos harmônicos. É por isso que Fourier não encontrou sua aplicação nas redes de túneis.
A otimização no testador para Fourier é na verdade uma escolha de harmônicas por margens de lucro sobre dados passados, mas não uma escolha para margens de lucro futuras.
Não há nenhum testador que verifique os harmônicos para o fato de ajuste. No MT4 - isto é irrealista de se fazer.
Os coeficientes não precisam ser constantes... Posso construir um modelo, usá-lo para calcular a característica de transferência do filtro com as características necessárias e parâmetros adaptativos, ir (Fourier/Laplace -> Z-transform) para o domínio discreto, converter a característica de transferência para uma equação de diferença e depois... lucro!)
OK, entendi. Este já é um DSP clássico.
Fourier não tem essa forma de defini-la - ou é uma adivinhação de folhas de café ou um dedo no céu, porque tudo se resume à escolha, ou seja, na escolha dos harmônicos. Esta é a razão pela qual Fourier não encontrou sua aplicação nas redes de túneis.
A otimização em um testador é uma escolha de harmônicas pela magnitude do lucro sobre dados passados, mas não uma escolha para trazer lucro no futuro.
Não há nenhum testador que verifique os harmônicos para o fato de ajuste. No MT4 - isto é irrealista de se fazer.
Realisticamente. Não é fundamentalmente diferente de testar uma rede neural, treinando-a. No final, estamos interessados no lucro. Por lucro e veja se o sistema tem lucro na seção que se segue à seção de otimização.
OK, entendi. Este já é um DSP clássico.
Há aqui mais uma nuança. Quanto maior o próximo segmento após a otimização, maior é a probabilidade de que os harmônicos encontrados se tornem rapidamente obsoletos (pare de trazer lucro) em dados futuros. A redução desta seção resulta na falta de confiabilidade do teste.
Há outra nuança aqui. Quanto maior a próxima seção após a otimização, maior é a probabilidade de que os harmônicos encontrados se tornem rapidamente obsoletos (não gerarão mais lucros) em dados futuros. Reduzindo este segmento - obtemos a falta de confiabilidade da verificação.
Não há tal problema com as redes neurais?
Sim, há. Mas há alguns padrões que podem ser notados ao treinar uma rede, e algumas técnicas de treinamento que permitem que você faça sem sequer um teste prévio. Eu não sei sobre Fourier e ainda não ouvi falar sobre isso.