文章 "通过差异化和熵值分析来探索市场"记忆""

Aleksei Stepanenko 2019.06.23 16:36 #61

Alexander_K:

供参考：

我会读完的，谢谢。还有这篇文章的链接。

有趣的是，如果绘制随机增量图（当然是伪随机），那么从视觉上就无法与真实图形区分开来。但是，它们的密度也会随机变化。这似乎没什么用。虽然看起来是一样的:)

添加了包含工作示例的 Excel 文件

附加的文件：

tcfvg4_byjgl89ds_3q5g3bja9m.zip 116 kb

Alexander_K 2019.06.23 16:58 #62

Aleksei Stepanenko:

有趣的是，如果绘制的是随机增量（当然是伪随机），那么从视觉上就无法与真实图形区分开来。不过，它们的密度也会随机变化。这似乎没什么用。虽然看起来是一样的）

我检查了其中一个序列：

在最后，我不知道你有什么--一些故障，我没有分析过。

但总的来说，它是一个规则的高斯随机过程，方差没有任何周期性。

与真正的 BP 相比，差距简直是天壤之别。

Aleksei Stepanenko 2019.06.23 17:06 #63

非常有趣，连接处--表格末尾的几行应该删除。我已经做了修改。

Alexander_K:

与实际 BP 的差别非常大。

根据这种差异建立一个指标:)

Alexander_K 2019.06.23 17:14 #64

Aleksei Stepanenko:

并根据这种差异建立一个指标:)

建立它 :)))))

要是这么简单就好了，这里有些人已经为这项任务奋斗了 15 年（！！！）。

当然，有人发现了它，并立即跳出了这个论坛。

Aleksei Stepanenko 2019.06.23 17:19 #65

Alexander_K:

15（！！！）年来，他们一直在努力完成这项任务。当然，有人发现了它，并立即从这个论坛跳了出来。

你好，涅槃！

Maxim Romanov 2019.06.25 21:50 #66

Aleksei Stepanenko:

我会读完的，谢谢。还有这篇文章的链接。

有趣的是，如果绘制的是随机增量（当然是伪随机），那么从视觉上就无法与真实图形区分开来。但是，它们的密度也会随机变化。这似乎没什么用。虽然看起来是一样的）

添加了一个 Excel 文件，其中包含一个工作示例

如果您将此图表以分钟为单位加载到 mt5 中，并切换到 m15 或 n1 时帧，您将无法用肉眼将其与市场图表区分开来，我已经检查过了。

Aleksei Stepanenko 2019.06.25 23:58 #67

Maxim Romanov:
你用肉眼根本无法分辨市场上的产品。

谢谢，那太好了！

但图表中还是有区别的。Excel 公式产生的是随机增量，这些增量出现的频率大致相同。您可以直观地看到，在市场图表中，有少量增量的幅度（运动）非常大。原来如此:)

Vladimir Perervenko 2019.06.26 10:08 #68

Maxim Dmitrievsky:

我已经在 MO 主题中写道，据说可以利用反兰伯特变换一次性完成这个过程

但对我来说矩阵太复杂了https://www.hindawi.com/journals/tswj/2015/909231/

虽然有 R 和 Py 软件包

R 中有一个软件包 (LambertW)，它可以完美地 "高斯化"。以下是欧元兑美元/M20 原始对数收益率和 "高斯化 "对数收益率的图表。

require(LambertW)
set.seed(12358)
y1 <- diff(log(pr$close), 3)*100
out <- Gaussianize(y1, return.tau.mat = TRUE)
x1 <- get_input(y1, c(out$tau.mat[, 1]))  # same as out$input
test_normality(tail(y1, 4000)) 
test_normality(tail(x1, 4000)) # Gaussianized