文章 "使用贝叶斯分类和基于奇异频谱分析的指标预测市场走势" - 页 2 1234 新评论 Roman Korotchenko 2017.04.27 16:37 #11 СанСаныч Фоменко: 鉴于这篇文章的水平相当高，我想提出作者心中的疑虑，即现阶段是否有必要写专家。文章中没有证据 表明专家测试的结果 是可信的。那么，如果我们从测试者那里得到 2 个或 3 个，甚至 10 个利润因素值，或任何其他值，这是统计数字吗？如何保证专家在未来也会有同样的表现？这些疑问的核心是作者断言 SSA 能够在非静态市场中发挥作用。证据在哪里？我不记得有这样的证明。也许我在这个问题上遗漏了什么。但文章完全没有说明 SSA 解决了哪些种类的非稳态问题，结果又是什么。有可能分离出趋势吗？但这样一来，减去趋势后的残差就不一定是静止的了。这个问题在 ARCH 模型的框架内有详细论述。由于残差的多样性，出现了非常多的 ARCH 模型。文章中没有这一块，因此没有证据表明交易决策是根据静态时间序列做出的。因此，根据这些观点，TS 的未来行为是不可预测的。PS.大约 10 年前，我使用过 "毛毛虫"（FATL-SATL）。Expert Advisors 的寿命为 3 至 6 个月，然后开始枯竭。主要问题不仅在于经典意义上的非平稳性（MO 和方差变化），还在于周期性变化，这在 ZZ 中可以清楚地看到。 PCA 被用来分析非平稳时间序列这一事实并非 "作者自说自话"，而是该方法的一个特点，其基础是形成自己的正交基础，这对于给定的时间序列片段来说是最理想的。实际上，即使是趋势或周期也已经是非稳态的了。因此，交易决策不是根据静态序列做出的，因为我们没有这样的序列，也没有它的近似值（与 ARMA 模型不同）。该模型的基础是将时间序列表示为趋势、周期（周期不断变化）和噪声成分的总和。模型中的噪声不受控，也未被过滤，对于稳定成分，可对近期进行预测。该方法假定价格形成过程具有局部稳定性，而非静止性。其次，也没有人给出保证。我们所说的是，在任意选择的一组历史数据上对模型进行训练后，在其他序列和时间尺度上的应用显示出稳定的结果。至于这些结果能持续多久，这是另一个问题，但在我看来，这是可以控制的，例如，在交易前对 "近期历史 "进行运行。重新训练也需要一些时间。在我看来，更重要的还是要更可靠地过滤可能的 "错误入场"，降低风险，这就需要进一步扩展智能交易系统的控制方法，例如：按计划限制机器人的交易、扩展贝叶斯分析指标集或借助神经网络。目前的测试结果将表明，已有的过滤器是有效的，还是需要开发。唯一能证明其适用性的方法就是一如既往的实践。 СанСаныч Фоменко 2017.04.27 18:06 #12 Roman Korotchenko: 模型中的噪声没有得到控制和过滤.... 从你的帖子中，我认为最关键的是上面这句话。如果噪声是静态的，而且最好是正态分布的，那么就可以而且应该对其进行过滤。而如果噪声不是，而且从文章中我们也不知道经过 SSA 过滤后还存在哪种噪声，那么在任何情况下都不能对其进行过滤。这就是所有 ARCH 模型的基础，因为狗总是被埋在厚厚的尾巴里，这并不总是发生在噪声分布中，但如果发生了，肯定会耗尽仓库。你的想法可以从另一个角度出发。问题的关键在于，您使用的分类器输入的是 SSA 训练的预测器。在这种情况下，我个人并不十分清楚所使用预测器的静态性的重要性，但对分类器输入的预测器有公认的要求--它们应清除噪声，即那些 "与目标变量关系较弱（不要与上面提到的噪声混淆）"的预测器。最有趣的是，在这种方法中，任何平滑（趋势）都被称为噪声。这些都可以在机器学习分支中找到。无论如何切片....PS.实践是检验真理的标准，但前提是这种实践必须以理论为基础。 Maxim Dmitrievsky 2017.04.27 20:09 #13 СанСаныч Фоменко: 在你的帖子中，我认为最关键的一句话是引用的那句话。如果噪声是静止的，而且最好是正态分布的，那么就可以而且应该对其进行过滤。而如果噪声不是这样的，而且从文章中我们也不知道经过 SSA 滤波后还剩下什么噪声，那么在任何情况下都不能对其进行滤波。这就是所有 ARCH 模型的基础，因为狗总是被埋在厚厚的尾巴里，这并不总是发生在噪声分布中，但一旦发生，就一定会耗尽存款。 换句话说，没有人会取消蝴蝶效应:) TheXpert 2017.04.27 21:46 #14 SSA 是主成分法，对吗？ Stanislav Korotky 2017.04.27 23:30 #15 Комбинатор: SSA 是一种主成分法，对吗？ 更像是FFT。 Roman Korotchenko 2017.04.28 02:07 #16 Комбинатор: SSA 是主成分法，对吗？ 与之类似。算法有些不同。一般描述见 Loskutkov A.Yu."时间序列 分析。MSU 讲座课程"。它可通过 "毛毛虫 "或自回归进行预测。与傅立叶方法不同，PCA 可提取振幅和频率调制的成分以及非周期性成分。至于要研究的噪声，在下一步中，SSA 与 Box-Jenkinson 模型（ARPSS 等）相结合，这些模型与 CCA 所获趋势的 "残差 "一起工作。有观点认为，从预测的角度来看，将 GARCH 过程与描述均值行为的模型相结合的模型很有前途。作为一种选择，可以在 Expert Advisor 中进一步实施 GARCH+SSA。我们不应忽视所用时间跨度上序列的 "随机程度"。如果随机性 "超标"，那么再完美的模型也无法做出好的预测，而且预测过程也不具有长期记忆的特点。因此，未来有必要增加对序列分形的估计（类似于 赫斯特指数），以便找出噪声的 "颜色"，并对当前的价格 过程进行分类。这表明，一个可靠的专家首先应监控并优化其管理资本的风险水平。 Maxim Dmitrievsky 2017.04.28 08:04 #17 Roman Korotchenko:我们不应忽视所用时间跨度上序列的 "随机程度"。如果 "随机程度 "过高，再好的预测模型也不会有好的预测结果，而且预测过程也不具有长时 间记忆的特点。因此，在未来增加对序列分形的估计（类似于 赫斯特指数）来找出噪声的 "颜色 "并对当前的价格 过程进行分类是合乎逻辑的。这表明，一个可靠的专家首先应该监控和优化他所管理的资本的风险水平。因此，"随机性程度 "是你的模型永远不会奏效的主要原因，所以我不会称其为伟大，而更像是妄想。这是一个 50/50 的猜谜游戏。谁告诉你市场过程更有可能是持续的而不是反持续的，例如....以及存在任何周期性循环。屏幕上显示的是这类系统的典型预测，大约是无.....。不过，我很钦佩您在数学和建立模型方面的理解和经验水平，当然，5++++......这样就不会让人觉得我批评所有的人和事了:) TheXpert 2017.04.28 10:07 #18 Stanislav Korotky: 更像是FFT。 哎呀，唉，是啊，完全糊涂了。那么，更没用的东西 ) Roman Korotchenko 2017.04.28 10:33 #19 Maxim Dmitrievsky:因此，"随机程度 "是让你的模型永远无法成功的主要原因，所以我不会称它为美丽，更像是妄想。这是一个五五开的猜谜游戏。有谁告诉过你，市场过程往往是持续的，而不是反持续的，例如....。根本不存在任何周期性循环。屏幕上显示的是这类系统的典型预测，大约是无.....。不过，我很钦佩您在数学和建立模型方面的理解和经验水平，当然，5++++......这样就不会显得我批评所有的人和事了:) 如果您认为市场上的所有波动都是随机的，那您就大错特错了。所有现代模型都试图考虑史前史的影响--"重尾"，因为它们包含了进一步行为的 "前兆"。模型的主要任务是从噪音中提取前兆信号，而模型的问题在于它是否适合实际情况及其适应能力。 Maxim Dmitrievsky 2017.04.28 11:18 #20 Roman Korotchenko: 如果您认为市场上的所有波动都是随机的，那就大错特错了。所有现代模型都试图考虑前史的影响--"重尾"，因为它们包含了进一步行为的 "前兆"。模型的主要任务是从噪音中提取前兆的信号，而模型的问题在于它是否适合实际情况以及它的适应能力。 一个前兆信号出现后，我们预测，3 个交易日后，另一个前兆信号又出现了，如此循环往复，无穷无尽。 影响市场价格的来源并不是单一的，因此出现这种或那种情况的初始条件是自发产生的，并且相互重叠。假设我们发现了一些继续影响形势的初始条件，我们怎么能确定在下一交易日不会出现另一个影响信息，再次破坏一切呢？ 评估预测可靠性的标准在哪里？ 1234 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
鉴于这篇文章的水平相当高，我想提出作者心中的疑虑，即现阶段是否有必要写专家。文章中没有证据 表明专家测试的结果 是可信的。那么，如果我们从测试者那里得到 2 个或 3 个，甚至 10 个利润因素值，或任何其他值，这是统计数字吗？如何保证专家在未来也会有同样的表现？
这些疑问的核心是作者断言 SSA 能够在非静态市场中发挥作用。证据在哪里？我不记得有这样的证明。
也许我在这个问题上遗漏了什么。但文章完全没有说明 SSA 解决了哪些种类的非稳态问题，结果又是什么。有可能分离出趋势吗？但这样一来，减去趋势后的残差就不一定是静止的了。这个问题在 ARCH 模型的框架内有详细论述。由于残差的多样性，出现了非常多的 ARCH 模型。
文章中没有这一块，因此没有证据表明交易决策是根据静态时间序列做出的。因此，根据这些观点，TS 的未来行为是不可预测的。
PS.
大约 10 年前，我使用过 "毛毛虫"（FATL-SATL）。Expert Advisors 的寿命为 3 至 6 个月，然后开始枯竭。主要问题不仅在于经典意义上的非平稳性（MO 和方差变化），还在于周期性变化，这在 ZZ 中可以清楚地看到。
PCA 被用来分析非平稳时间序列这一事实并非 "作者自说自话"，而是该方法的一个特点，其基础是形成自己的正交基础，这对于给定的时间序列片段来说是最理想的。实际上，即使是趋势或周期也已经是非稳态的了。因此，交易决策不是根据静态序列做出的，因为我们没有这样的序列，也没有它的近似值（与 ARMA 模型不同）。该模型的基础是将时间序列表示为趋势、周期（周期不断变化）和噪声成分的总和。模型中的噪声不受控，也未被过滤，对于稳定成分，可对近期进行预测。该方法假定价格形成过程具有局部稳定性，而非静止性。其次，也没有人给出保证。我们所说的是，在任意选择的一组历史数据上对模型进行训练后，在其他序列和时间尺度上的应用显示出稳定的结果。至于这些结果能持续多久，这是另一个问题，但在我看来，这是可以控制的，例如，在交易前对 "近期历史 "进行运行。重新训练也需要一些时间。在我看来，更重要的还是要更可靠地过滤可能的 "错误入场"，降低风险，这就需要进一步扩展智能交易系统的控制方法，例如：按计划限制机器人的交易、扩展贝叶斯分析指标集或借助神经网络。目前的测试结果将表明，已有的过滤器是有效的，还是需要开发。唯一能证明其适用性的方法就是一如既往的实践。
模型中的噪声没有得到控制和过滤....
从你的帖子中，我认为最关键的是上面这句话。
如果噪声是静态的，而且最好是正态分布的，那么就可以而且应该对其进行过滤。而如果噪声不是，而且从文章中我们也不知道经过 SSA 过滤后还存在哪种噪声，那么在任何情况下都不能对其进行过滤。这就是所有 ARCH 模型的基础，因为狗总是被埋在厚厚的尾巴里，这并不总是发生在噪声分布中，但如果发生了，肯定会耗尽仓库。
你的想法可以从另一个角度出发。
问题的关键在于，您使用的分类器输入的是 SSA 训练的预测器。在这种情况下，我个人并不十分清楚所使用预测器的静态性的重要性，但对分类器输入的预测器有公认的要求--它们应清除噪声，即那些 "与目标变量关系较弱（不要与上面提到的噪声混淆）"的预测器。最有趣的是，在这种方法中，任何平滑（趋势）都被称为噪声。这些都可以在机器学习分支中找到。
无论如何切片....
PS.
实践是检验真理的标准，但前提是这种实践必须以理论为基础。
在你的帖子中，我认为最关键的一句话是引用的那句话。
如果噪声是静止的，而且最好是正态分布的，那么就可以而且应该对其进行过滤。而如果噪声不是这样的，而且从文章中我们也不知道经过 SSA 滤波后还剩下什么噪声，那么在任何情况下都不能对其进行滤波。这就是所有 ARCH 模型的基础，因为狗总是被埋在厚厚的尾巴里，这并不总是发生在噪声分布中，但一旦发生，就一定会耗尽存款。
换句话说，没有人会取消蝴蝶效应:)
SSA 是一种主成分法，对吗？
更像是FFT。
SSA 是主成分法，对吗？
与之类似。算法有些不同。一般描述见 Loskutkov A.Yu."时间序列 分析。MSU 讲座课程"。它可通过 "毛毛虫 "或自回归进行预测。
与傅立叶方法不同，PCA 可提取振幅和频率调制的成分以及非周期性成分。
至于要研究的噪声，在下一步中，SSA 与 Box-Jenkinson 模型（ARPSS 等）相结合，这些模型与 CCA 所获趋势的 "残差 "一起工作。
有观点认为，从预测的角度来看，将 GARCH 过程与描述均值行为的模型相结合的模型很有前途。作为一种选择，可以在 Expert Advisor 中进一步实施 GARCH+SSA。
我们不应忽视所用时间跨度上序列的 "随机程度"。如果随机性 "超标"，那么再完美的模型也无法做出好的预测，而且预测过程也不具有长期记忆的特点。因此，未来有必要增加对序列分形的估计（类似于 赫斯特指数），以便找出噪声的 "颜色"，并对当前的价格 过程进行分类。这表明，一个可靠的专家首先应监控并优化其管理资本的风险水平。
我们不应忽视所用时间跨度上序列的 "随机程度"。如果 "随机程度 "过高，再好的预测模型也不会有好的预测结果，而且预测过程也不具有长时 间记忆的特点。因此，在未来增加对序列分形的估计（类似于 赫斯特指数）来找出噪声的 "颜色 "并对当前的价格 过程进行分类是合乎逻辑的。这表明，一个可靠的专家首先应该监控和优化他所管理的资本的风险水平。
因此，"随机性程度 "是你的模型永远不会奏效的主要原因，所以我不会称其为伟大，而更像是妄想。这是一个 50/50 的猜谜游戏。谁告诉你市场过程更有可能是持续的而不是反持续的，例如....以及存在任何周期性循环。屏幕上显示的是这类系统的典型预测，大约是无.....。
不过，我很钦佩您在数学和建立模型方面的理解和经验水平，当然，5++++......这样就不会让人觉得我批评所有的人和事了:)
更像是FFT。
因此，"随机程度 "是让你的模型永远无法成功的主要原因，所以我不会称它为美丽，更像是妄想。这是一个五五开的猜谜游戏。有谁告诉过你，市场过程往往是持续的，而不是反持续的，例如....。根本不存在任何周期性循环。屏幕上显示的是这类系统的典型预测，大约是无.....。
不过，我很钦佩您在数学和建立模型方面的理解和经验水平，当然，5++++......这样就不会显得我批评所有的人和事了:)
如果您认为市场上的所有波动都是随机的，那您就大错特错了。所有现代模型都试图考虑史前史的影响--"重尾"，因为它们包含了进一步行为的 "前兆"。模型的主要任务是从噪音中提取前兆信号，而模型的问题在于它是否适合实际情况及其适应能力。
如果您认为市场上的所有波动都是随机的，那就大错特错了。所有现代模型都试图考虑前史的影响--"重尾"，因为它们包含了进一步行为的 "前兆"。模型的主要任务是从噪音中提取前兆的信号，而模型的问题在于它是否适合实际情况以及它的适应能力。
一个前兆信号出现后，我们预测，3 个交易日后，另一个前兆信号又出现了，如此循环往复，无穷无尽。 影响市场价格的来源并不是单一的，因此出现这种或那种情况的初始条件是自发产生的，并且相互重叠。假设我们发现了一些继续影响形势的初始条件，我们怎么能确定在下一交易日不会出现另一个影响信息，再次破坏一切呢？ 评估预测可靠性的标准在哪里？