基于多币种分析的有效交易策略的多个DC - 页 10

新评论
 
Yurixx:
皮尔格里姆

我希望对多货币分析持怀疑态度的人有所减少，希望这些结果能帮助某人找到自己的有效交易策略。

我必须把它交给你，这是个非常有趣和有意义的想法。
而薇薇安的转变看起来非常具有建设性。必须掌握它的窍门。
好样的!
如果用小波代替指标，有一个明显的优势：它们能保持高动态的扫频，相对于输入数据产生的滞后要小得多。 小波变换的本质是把信号分解成频谱成分，然后切断一部分频谱，用其余的谐波形成新的信号。它只需要三个计数就可以将信号分解成一个频谱，它不能与移动平均数相比，例如，移动平均数需要6-10个计数才能获得同样的平滑度，从而将各自的延迟引入到真实数据。
但和指标一样，小波变换不能给出预测，而它们所描绘的图景只反映了过去，通过这幅图景对未来做出任何严肃的结论都是没有意义的，我们应该建立一个预测系统，只有这样才能或多或少的告诉人们市场的趋势。
 
elritmo:
Piligrimm，你能告诉我如何用MT在另一个货币对的图表上绘制任何货币对的收盘图吗？

在iClose 的帮助下，形成一个包含所有必要的工具的文件，然后为每个工具获得一个平均系数，例如，将每个工具的最后100个柱子加起来，然后除以100。之后，所有的数据，对于每个工具除以它的系数，结果你会得到所有工具的值在1附近波动（顺便说一下，这有利于使用神经网络进一步处理，所有的数据都是正常化的），之后你把你想在另一个图表上显示的工具的值乘以系数，那是你要显示的图表上的工具的系数。
[删除]  
现在，一切都像像素一样完美，即使有不同的报价率和刻度数。
 
Piligrimm:
简而言之，如果有人不熟悉小波变换，它的本质是将信号分解为频谱成分，然后切断部分频谱，用剩余的谐波形成新的信号。
在这种情况下，小波变换与各种傅里叶变换、光谱分析等有什么不同？?

傅里叶变换的主要问题是，它们只适用于周期性函数。如果你把它们用于一个非周期性的函数，依靠一个有限的历史片段，结果就是一个周期性的函数，无限地重复参考片段。
从你的引文来看，vivelet的转变应该也有同样的缺陷。是吗？
 
xnsnet:

这不是因为服务器过载或更改后的报价更快地到达，而是因为过滤器设置的不同，每个人都按照他/她认为应该的方式来设置它。是的，这就是为什么厚脸皮的EA是必要的，因为一家经纪公司会做一件事，而另一家会做另一件事。该过滤器的工作方式是，考虑到时间框架，它选择最现实的报价，但它不模拟报价，只拒绝一些变体，只留下最合理的报价。不幸的是，这不是他们想看到的用户或程序的真相，这就是为什么经纪公司之间的分析这样的话题开始。

请注意，我同时使用了两个指标，服务器和客户端的时间间隔，所以在图表中几乎没有差异，只是在服务器端的这些过滤区域。

时间差，是以八个字节的时间计算的，其中服务器日期被转换为(gcnew DateTime( 1970, 1, 1 ))->AddSeconds( iSrv )，然后使用服务器和客户端的时间差之和，除以9的8次方，在这个图中，要得到秒的差异，你必须除以10的7次方。这样，我就可以排除数据更新率的问题，以较高的精度进行推断。除了每个刻度会消耗一个像素，但我想对于某些模式，比如在刻度内输出时间，我会去掉消耗，那么即使在尺寸上也完全可以比较。 你能做什么，我是一个挖掘者，甚至不想挖到根:)

亲爱的朝圣者，我很想知道你对这种说法有什么回应？

继续挖掘!
好吧，说真的，首先要确定最终目标，你想实现什么，以及你将如何使用所获得的信息，这将取决于它的最佳呈现形式和格式。如果你要在ticks分析的基础上做MTS，那么你需要在时间上同步不同工具的ticks，这是所有这些工作中最困难的事情，否则你不会得到一个客观的画面，结果是MTS不会有效工作。

正确的初始数据准备是任何任务成功的90%，在交易中它甚至更重要，许多试图进行预测的人都失败了，因为他们没有设法按照数据处理的算法来形成数据。

[删除]  
顺便说一下，如果我在程序中加入互动，我将能够结合几家经纪公司的结果，并添加两个方向的缺失数据，例如在上面的截图中，我们可以看到两家经纪公司都遭受了固有的过滤，实际上是相反的方向，在欧元兑美元的图表 中，它在开始时很容易被注意。而且，由于整个重点正是在通过过滤器切断蜱虫数据，这样一来，过滤器将在很小的程度上消失。这一切都取决于要比较哪些经纪公司。但这是以后的事了:)
 
Yurixx:
Piligrimm:
简而言之，如果有人不熟悉小波变换，它的本质是将信号分解为频谱成分，然后切断部分频谱，用剩余的谐波形成新的信号。
在这种情况下，小波变换与各种傅里叶变换、光谱分析等有什么不同？?

傅里叶变换的主要问题是，它们只适用于周期性函数。如果你把它们用于一个非周期性的函数，依靠有限的历史片段，结果就是一个无限重复参考片段的周期性函数。
从你的引文来看，vivelet的转变应该也有同样的缺陷。是吗？

不，小波变换是基于与傅里叶变换不同的原理，并且比其他的频谱分析方法更有优势，尽管在我看来，笼统地谈论频谱分析是错误的；我们更应该谈论一种具体的过滤方法。变换的结果是所谓的系数图，它也可用于所研究过程中的视觉分析和模式搜索。但我不是这个领域的专家，过去3-4年我对这个话题不感兴趣，现在互联网上有很多关于小鼠转化的新信息，我想。我习惯于这样称呼它们，尽管正确的名称应该是小波变换。

顺便说一下，这里有一个关于结合神经网络使用小波变换的链接：http://library.mephi.ru/data/scientific-sessions/2001/Neuro_Lect/2343.htm，有一个例子。
"金融时间序列分析和神经网络建模中的因素的意义"。

还有一个链接：http://www.tradeways.org/wave_4.php
[删除]  
事实上，我已经看到了需要一个程序服务器来存储ticks的解决方案，可能最简单的方法是在一个单一的流中填充ticks，它是使用SQL，那么本质上是可以使用几个服务器来收集不同DC的数据：)虽然最好是自己写服务器来实现，但我的能力仅限于几手，所以要实现这个动作就得牺牲一些小东西:)而通信问题的消失，只是在互联网服务提供商失败的情况下：）尽管说实话，比SQL更好的只能是自己的服务器。
 
xnsnet:
顺便说一下，如果我在程序中加入互动，我将能够结合几家经纪公司的结果，并添加两个方向的缺失数据，例如在上面的截图中，我们可以看到两家经纪公司都遭受了固有的过滤，实际上是相反的方向，在欧元兑美元的图表中，它在开始时很容易被注意。而且，由于整个重点正是在通过过滤器切断蜱虫数据，这样一来，过滤器将在很小的程度上消失。这一切都取决于要比较哪些经纪公司。但以后会有的 :)
在这里，情况可能没有那么简单。如果这些差异主要是由经纪公司从不同来源获得的信息造成的呢？ 在这种情况下，你只会带来额外的扭曲。 但在任何情况下，你可以尝试，但要注意不要引入额外的干扰。
[删除]  
Piligrimm:
这可能没有那么简单。如果这些差异主要是由于DC从不同的来源接收信息呢？ 在这种情况下，你只会引入额外的失真。 但在任何情况下，尝试一下，只是要注意不要引入额外的干扰。

当然，这也是图形可视化的目的，以看到这些扭曲：)在任何情况下，你必须写一个服务器，这也将区分干扰，一切原则上已经很清楚了，你只需要做到这一点：)我总是说，人的大脑是一种病毒:)我有一个大问题，如何追踪Metatrader中的服务器关闭，因为没有收到任何事件，现在我找到了最可靠的方法:)毕竟，如果一个DC倒下了，还有另一个DC。说了这么多，这里没有破解的味道，因为只有缩水可以用来做抽头，这正是过滤器所吸收的，当这一切只是一张分析用的图片时，那么这个数据只能用于分析，不能用于漏洞的抽头。另外，我得出的结论是，没有必要让终端的tick历史过载，一切都将存储在服务器上，并将图表粘在终端上，或者说以不同的模式，既反映服务器的数据，也只反映其客户端的数据，但也来自服务器：)

P.S.: 我希望没有人能够说服我，蜱虫是不必要的或毫无意义的工作:))))。
1...34567891011121314
新评论