В большинстве приложений размерность вектора состояния объекта превосходит размерность вектора данных наблюдения. И при этом фильтр Калмана позволяет оценивать полное внутреннее состояние объекта. Фильтр Калмана предназначен для рекурсивного дооценивания вектора состояния априорно известной динамической системы, то есть для расчёта текущего...
为什么要一直 "挂 "着这些颜色？
这样的图表可以在Forts上显示吗--比如说RTS指数？而现场是不同的，然后我们会弄清楚其中的细微差别。
因此，这里有一个问题--众所周知，MA是滞后的。关于频率滤波器，你能说什么？它是否滞后？它不应该，但我可能是错的...而MA在本质上不是和过滤器一样吗？
请允许我插入我的观点。滤波器（正如这个词本身所暗示的那样）是为了将有用的信号从噪声中分离出来。这里，滤波器通常指的是卷积滤波器。这个操作允许你操纵原始信号的复数频谱（它乘以 每个频率的振幅并旋转其相位）。
你想和什么分开？
如果对你有用的信号是一个平滑的信号，你需要一个低通滤波器。理想的过滤器是一个双向的过滤器，你需要过去和未来来计算它。单向滤波器不可避免地会使相位发生变化，并产生滞后、提前等视觉效果，这是不可避免的，因为在不知道未来的情况下，你不可能知道LPF在当前的确切数值。
该怎么做，如何处理？
噪声（白噪声值、红噪声增量）是无法预测的。但如果你的信号不是等频噪声，而且有某些频率的稳定峰值，你可以把它们过滤掉，得到（有一定误差的）实时低通滤波器结果。见卡尔曼滤波，指标（还有更多，对吗？）
如果你想要一个简单的领先过滤器，计算2*EMA(11)-EMA(22)。如果你愿意，你可以用任何时期代替。
但实践表明，在价格数据中，频率峰值非常微弱和不稳定，这样的滤波器的效率是最低的。因此，所有的线性滤波器都注定会出现 "滞后 "或数据失真。
欢迎专业数学家的批评!
到目前为止，我也在想这个问题。
尤素福，如果我没有记错的话，你是一位数学教授？回答我这个问题 - 我最近开始研究DSP。因此，这里有一个问题--如你所知，MA滞后。关于频率滤波器，你能说什么？它是否滞后？它不应该，但我可能是错的...而自动对焦在本质上不是和过滤器一样吗？我自己还不能回答这个问题。
我个人并不支持信号过滤的做法。我按照 "原样 "原则使用所有信息。该算法本身以十分之一和百分之一的精确度来区分等级。我不建议对初始信号的过滤进行干扰。还需要什么--没有任何过滤。
请允许我插入我的观点。滤波器（正如这个词本身所暗示的那样）是为了将有用的信号从噪声中分离出来。这里，滤波器通常指的是卷积滤波器。这个操作允许你操纵原始信号的复数频谱（它乘以 每个频率的振幅并旋转其相位）。
你想和什么分开？
如果对你有用的信号是一个平滑的信号，你需要一个低通滤波器。理想的过滤器是一个双向的过滤器，你需要过去和未来来计算它。单向滤波器不可避免地会使相位发生变化，并产生滞后、提前等视觉效果，这是不可避免的，因为在不知道未来的情况下，你不可能知道LPF在当前的确切数值。
该怎么做，如何处理？
噪声（白噪声值、红噪声增量）是无法预测的。但如果你的信号不是等频噪声，而且有某些频率的稳定峰值，你可以把它们过滤掉，得到（有一定误差的）实时低通滤波器结果。见卡尔曼滤波，指标（还有更多，对吗？）
如果你想要一个简单的领先过滤器，计算2*EMA(11)-EMA(22)。如果你愿意，你可以用任何时期代替。
但实践表明，在价格数据中，频率峰值非常微弱和不稳定，这样的滤波器的效率是最低的。因此，所有的线性滤波器都注定会出现 "滞后 "或数据失真。
欢迎专业数学家的批评!
你可以试试，提供数据：开盘时的价格，日期，过去两个月的工具，TF D1。或者，指出在哪里可以得到最可靠的数据。
我个人不赞成对信号进行过滤。我在 "原样 "的基础上使用所有的信息。我的算法本身就能以十分之一和百分之一的精确度来区分水平。我不想干扰对初始信号的过滤。还需要什么--没有任何过滤。
优素福，在你记录每日利润的版本中，请更详细地解释你如何计算利润。你如何确定交易的开盘价和收盘价？