Обсуждение статьи "Распознавание паттернов с использованием динамической трансформации временной шкалы в MQL5"
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Опубликована статья Распознавание паттернов с использованием динамической трансформации временной шкалы в MQL5:
В этой статье мы обсудим концепцию динамической трансформации временной шкалы (dynamic time warping) как средства выявления прогностических закономерностей в финансовых временных рядах. Мы рассмотрим, как она работает, а также представим ее реализацию на чистом MQL5.
Динамическая трансформация временной шкалы — это сложный алгоритм, предназначенный для измерения сходства между двумя последовательностями данных, которые изменяются с течением времени, даже если их скорости или ритмы различаются. В отличие от традиционных методов, требующих строгого соответствия между точками данных, DTW предлагает более гибкий подход, позволяя деформировать или растягивать время для поиска оптимального соответствия между последовательностями. Представьте себе двух людей, идущих по лесу по разным тропам. Они оба отправляются из одной точки и встречаются в другой, но один из них может идти быстрее другого и делать произвольные остановки. DTW помогает найти наилучший способ сопоставить шаги обоих, даже если они пошли разными путями. DTW может эффективно учитывать различия в скорости ходьбы, ускорении или замедлении, предоставляя меру сходства. Такая универсальность позволяет применять его к широкому спектру типов данных, включая аудио, видео и графику. Любые данные, которые можно преобразовать в последовательный формат, являются потенциальным кандидатом для анализа DTW.
Автор: Francis Dube