随机流理论和外汇 - 页 6

新评论
 

dreder，谢谢你的建议，但我不可能接受它：我是个瘾君子，一次真正的剂量就足以让我上瘾。你也是个瘾君子，不是吗？

事实上，为什么不加入一个小圈子的瘾君子，其中一些人对数学了解甚多（不是我）？

2 候选人： 我把它整理好，然后送过去。有Marple, Sato, Wald, Farina, 关于DSP的讲座和在Mathcad中计算ACF。我希望整个档案能一次性通过（我的档案加起来大约有13.5Mbytes，所以转发时将少于20M）。我从另一个邮箱寄给你。给我写信告诉我结果 - 或者给我发电子邮件。

 
Prival:

让我试着用一个例子来解释ACF，......。

好吧，我原则上知道ACF的定义，只是往往有多少人就有多少公式:)。当然，如果你不直截了当地计算它的话。
而且，从klot 的库中提取fastcorellation 有什么问题？
 
Mathemat:

事实上，为什么不在一个小圈子里聊一聊呢？

我很赞成，只是我的数学不好，我顶多是个C。在这丰富的航空无线电工程师的经验中，喝了几杯 Vod :-)

lna01关于fastcorellation，我 不知道它在那里，如果我再次打扰了你，很抱歉:-)，怎么都算。

 
Prival:

lna01关于fastcorellation，我 不知道它在那里，如果我又开始问坏问题，很抱歉:-)，怎么都算。

在此阅读更多信息 -http://alglib.sources.ru/fft/fastcorrelation.php
格式如下。
void fastcorellation(double& signal[], int signallen, double pattern[], int patternlen)
/*************************************************************************
使用FFT的关联性

在输入方面。
信号是一个信号数组，我们用它来进行关联。
从0到SignalLen-1的元素编号
SignalLen - 信号长度。

图案 - 图案的阵列，我们正在寻找的信号的关联性
从0到PatternLen-1的元素编号
PatternLen - 模式的长度。

输出。
信号------在0至
信号Len-1。
*************************************************************************/
 
是的，这一切都很有意义。从描述来看，阵列实际上是周期性的，对于这样的数据，ACF的定义将取决于参数的差异，也就是说，过程将自动成为静止的。 不符合，该死的...
 
Mathemat:
是的，我明白。从描述来看，数组实际上是周期性的，根据定义，这种数据的ACF将取决于参数的差异，也就是说，过程将自动成为静止的。 不符合，该死的...

如果你使用FFT，ACF将是对称的，也就是说，你需要到中间的数据。虽然我不知道你想在哪里应用它。

如果ACF取决于论据的差异，那么它就是非稳态的。

 
Mathemat:
是的，这一切都很有意义。从描述来看，数组实际上是周期性的，对于这样的数据，ACF根据定义将取决于参数的差异，也就是说，过程将自动成为静止的。 不符合，该死的...
当然，它们是周期性的，但周期为前2^n大，正好到这个长度的零被添加--这是从源头上看的。所以它们实际上是非周期性的 :)
 
我需要一个程序来计算方程式y(x)=a*x+b中的系数a和b。然后我可能会再次在MQL中建立一些曲线ACF算法
 
Prival:
我需要一个程序来计算方程式y(x)=a*x+b中的系数a和b。然后，也许我将能够再次在MQL中创建一些曲线ACF算法。
可能，很难找到一个没有为自己做这种功能的人。 我也是如此 :)职能'。
 
Prival:

我试着用例子来解释ACF，假设我们有两个数据集，第一个是0 1 2 3 4 5，第二个是10 11 12 13 14 15，如果我们计算这些数组的相关系数（CC），它=1，即知道了第一个数据集，我们可以准确地计算出第二个数据集，如果第二个数据集是15 14 13 12 11 10，CC将=-1，即当一个数据集增加时，第二个以相同比例减少。

ACF（自相关函数，是阵列与自身的比较，只是在时间上有所偏移。在移位=0时，ACF=1，因为原始数据与自身完全匹配。当我们增加移位时，ACF开始变化，在-1和1之间徘徊，零意味着没有相关性。

如果引用流的ACF是所有的时间=1诶，那将是一个多么大的圣杯:-)。

我得到了照片，我把它们贴在上面。但它们只是针对一个样本，我认为ACF应该随着时间的推移而变化（对于圣杯来说，它肯定会在很久以前就被发现），但如果我们找到与之相近的函数，而且只有当我们找到这个函数的参数时，才会是一个重大的进步。

ACF分析给我们的启示

1.构建一个或多或少充分的时间序列模型。

2. 确定过程中的相关时间，即我们可以预测曲线行为的时间。

3.ACF可用于各种方式，直至做出交易决定。 主要是了解它并理解其在不同时间间隔的行为。


我试图在MQL中写一个脚本，在一个单独的窗口中显示时间序列的相关图（自相关函数）。该代码建立了一系列的第一差值，并找到了Nbars 值的样本平均值，当前差值Open[i]-Open[i+1] 与自身（索引为0的列）的相关系数，与前一个差值Open[i+1]-Open[i+2] （索引为1的列），...，与第k个 差值Open[i+k]-Open[i+k+1] （索引为k 的列），等等..,k 的运行值从0到 n。

//+------------------------------------------------------------------+
//| FAK. mq4 |
//| Copyright © 2007, Neutron | 版权所有。
//+------------------------------------------------------------------+
#属性 indicator_separate_window
#property indicator_buffers 1
#property indicator_color1 Red
#property indicator_width1 4

Extern int Nbars=10000, n=100;
int i,step,start;
double s1,s2,fak[1000],Dif[10000];

int start()
{
开始=Nbars+n。
for (i=Start;i>=0;i--){Dif[i]=Open[i]-Open[i+1];}

for (step=0;step<=n;step++){s1=0;s2=0;
for (i=Nbars;i>=0;i--){s1=s1+Dif[i]*Dif[i+step];s2=s2+Dif[i]*Dif[i];}
fak[step]=s1/s2;}。
}

int init()
{
SetIndexStyle(0,DRAW_HISTOGRAM)。
SetIndexBuffer(0,fak)。
return(0);
}

请注意，在分钟上，欧元/英镑对显示了相邻读数之间的强烈负相关（指数为1的条形图和数值为-0.25）。为了避免显示信息不完整的零列（总是相同地等于1），有必要画一条线。

for (step=0;step<=n;step++){s1=0;s2=0;

用来代替。

for (step=1;step<=n;step++){s1=0;s2=0;

自相关系数r1 与所选TF的工具波动率的乘积将给出基于马尔可夫过程的TS的平均盈利能力。不幸的是，这个数值并没有超过直流电的佣金。

12345678910111213...85
新评论