FR H-波动性 - 页 9

 
Yurixx:

我需要以某种方式将其可视化,以描述决策的逻辑。


有时可视化沃罗诺夫图会有帮助,你只需要了解在X和Y轴上放下什么。这里有一个带解释的例子,是我在互联网上挖到的东西。
附加的文件:
doc.zip  631 kb
 
Yurixx:

即使参数数量不多,系统的相空间对人类的感知来说也会变得过于多维。如果这个方法是正确的,而且所选择的估计值能够使相空间聚类,那么聚类的位置和形状可以有非常复杂的拓扑结构。我们要么以某种方式将其可视化,以便描述决策逻辑,要么盲目地引入类和成员标准。 NS在这方面要好得多,还有概率评价(我们可以看到)。


如果我理解正确的话,研究人员需要事先准备好NS的输入数据,以实现 "相空间聚类"。在这种情况下,NS将在输入参数的多维相空间(PS)和它们的任意组合中独立分配 "重要 "区域,这将大大减少PS的体积,从而减少必要的计算量。对吗?

但我不明白NS "处理得更好 "的 "概率评估 "是什么。

 
Prival:
有时沃罗诺夫图有助于可视化,但你需要了解在X和Y轴上放下什么。这是一个带有解释的例子,是我设法在网上挖到的东西。

如果我说错了,请纠正我。沃罗诺夫图显示了最佳的(某种意义上的)空间划分边界,在这个边界上给定一类微分方程的边界条件。那么,这与当前的主题有什么关系?
 

中子

对不起,这与H型波动率FR无关,它与NS有关,或者说与识别理论有关,图表有时有助于直观地了解类别和如何分解它们。

只是看到了这个问题,想帮忙。

 
Neutron:


如果我没有理解错的话,研究人员必须首先为NS准备输入数据,以实现 "相空间聚类"。在这种情况下,NS将在输入参数及其任意组合的多维相空间(PS)中独立分配 "重要 "区域,这将允许大大减少PS的体积,从而减少必要的计算量。对吗?

但我不明白NS "处理得更好 "的 "概率估计 "是什么。


FP的聚类是一项单独的任务,它由Kohonennet执行。它是一个单层网络,在学习过程中(没有老师!即自学)产生FP的聚类。 然后对这些数据拟合一个核函数,描述聚类分布。然后建立一个概率网络,(据我所知)在最简单的版本中甚至不需要训练,而只是使用贝叶斯统计学考虑新样本属于一个特定群组的概率。输出是获胜的集群。这只是一个尽可能的简化方案。

国家统计局的架构、输入数据的准备方式和学习算法是一切的基础,是三个关键的基石。正如你所看到的,这三个组成部分中的每一个都涉及到一些无法形成的东西。据我所知,这是NS从其创造者那里继承下来的,这使得它能够成功地工作。而数字--激活函数的权重和参数--只是作为一个附录。每个人都有一个头,但有些人用它思考,有些人用它吃饭。:-)

 

谢谢你,尤拉。很好的回答!

如果你不介意的话,我想问一个关于NS的适用性的问题。例如,我将提到我的公羊--嘉木的结构。我们有一个生成的Zig-Zag(蓝线)和一个交易线(红线)。

从理论上看(Pastukhov的论文),红线的行为在统计上是可以预测的,它(的行为)可能是之字形的,振幅S=(H-波动率-2)*H。这是策略在代表性样本上的平均统计回报。不幸的是,估计值通常比价差要小。而这就是时间序列 分析的统计方法在这种情况下能给我们提供的全部内容。

另一方面,我们有一个生成的Zig-Zag,对于一个固定的时间间隔,其回报(实际上不可能实现)是给定分区步骤H的最大可能,而回报,例如用分区H=spread,是任何BP的最大可能。我希望我能够得到一个能够预测 "之 "字形的工具!或者,至少在原则上证明这种预测的可能性,其收益率高于statmethod(S)所给出的。

我是否正确地理解,这种表述的问题适合用NS进行分析?

P.S. 在我看来,预测等距Z字形(有一个步骤)是最好的选择。其次,我们摆脱了与时间尺度有关的维度--它是不必要的,因为我们只交易价格变化,而这种变化发生的时间间隔,在第一个近似值中不包括在盈利能力中。

 
Neutron:

我希望我能够得到一个能够预测Z字形的工具!或者至少证明,原则上有可能做出这样的预测,其回报率高于Statmethod(S)给出的预测。

我是否正确地理解,这种表述的问题适合用NS进行分析?

P.S. 在我看来,预测等距Z字形(有一个步骤)是最好的选择。其次,我们摆脱了与时间尺度有关的维度--它是不必要的,因为我们只交易价格变化,而这种变化发生的时间间隔,在第一个近似值中不包括在盈利能力中。


当然,从理论上讲,这是很合适的。但实际上......。

我在网络上读到的一些东西,对初学者的建议比比皆是:预测价格行为是无效的。的确,如果你想一想,网络怎么会突然知道未来的价格会如何变动。就因为我们给它装了很多神经元,给它输入了很多数据?在这个问题上,我是一个理性主义者。 这些知识不会凭空出现,也不会自己诞生。 我写三条鲸鱼是有原因的。除了这些鲸鱼,它们的来源更加重要--作者的意图。在这个概念中,应该有一个想法,即什么数据和什么形式可能包含关于市场的基本信息,它们必须如何在网络中被处理以获得其他数字,从中可以得出有意义的决策结论,最后,如何教网络找到这些数字。

从这个角度来看,我认为,这种提法的问题虽然适合于网络,但却很复杂,而且没有什么视角。由于蜱虫和建立在它们之上的之字形具有相当类似的分布,而且预测之字形并不比预测价格更容易。

在我看来,ZigZag作为网络输入确实很有趣,但作为价格模式的最方便的表现形式。那些非常的图案,你给我的网站链接,可能是一个非常有趣的选择。但在这种情况下,网络不会预测价格,而是决定市场的状态。这是一个略有不同的方法。对于NS来说,给出向上或向下的统计输出是一个比预测运动更现实的任务。但这个变体与ZigZag结合得很好。因此,有前景,我们只需要以这样的方式做问题陈述,使其可解。

 

谢谢你,尤拉,感谢你清晰的解释--现在我的脑子有点清楚了。

顺便说一下,我非常确定交易线FR(前一张图片中的红色)具有正态分布,所以我甚至不想研究这一点。当我看到这个时,我很惊讶。

同意,一个意外的结果...将其与本主题第一个帖子中的图片进行比较。在那里,给出了Zig-Zag的两侧的FR。

 

是的,这是张有趣的照片。如果我没有理解错的话,这是针对参数H=10的cagi-partitioning的?但与第一篇文章中的图片的某种联系仍然很明显。

顺便说一句,我想到了一个想法。我认为,同样,你对使用NS预测ZigZag的前景是正确的。只是它不应该是卡吉,而应该是仁科建设。在这种情况下,ZigZag模式的或多或少的清晰形式化确实是可能的,因此对这些模式的空间进行聚类,并预测段的大小,同时 该预测的有效性进行统计评估。我对你对这一思想的评价很感兴趣。主要的一点是加贺和仁科之间的区别。对于renko,我清楚如何将模式正式化,从而如何将它们相互比较,如何评估它们的接近程度。对于加贺来说,情况非常模糊,因此同样的程序可能不起作用。

另一方面,我先验地知道--对加贺是真的,对仁科也是真的。不过,我不确定反过来的情况。如果相反的情况也是如此,那么我对renko的偏见就是一种谬误,NS同样可以应用于预测任何ZigZag的分段大小,无论是renko还是kaga。

你怎么看?

 

一方面,Kagi结构以精确到点的方式确定BP极值的位置(Renko到分割步骤H)。另一方面,不清楚我们是否需要这样的精确度?在这个意义上,Renko看起来更有吸引力,因为价格刻度上的等距阶梯H。简而言之,需要对这个问题进行调查。

至于Zig-Zag预测任务的形式化,在我看来,它是对价格(红色矢量)从当前极值形成结束点t=0,到预期极值点t=1的可能运动幅度U的估计(见图)。

在这种情况下,唯一需要预测的是矢量U的运动幅度,因为它的方向是预先确定的!--它与矢量H的方向一致(绿色实心箭头)。 矢量U被允许接收的范围是在0点到无限的范围内(见右图)。矢量U的振幅最可能的值是2点,其平均值比N小一点。顺便说一下,如果一个可能的值大于点差,我们就可以认为这个策略是正向盈利的。我在谈论FR在BP套利分析中的可能应用。

当然,在NS的输出端,我们需要应用一个Zig-Zag,但在输入端应用什么呢?也是 "之 "字形移了一步?但是,我们不需要NS来分析这种情况!我认为我们的任务是及早发现初现的套利行为(见图)。要做到这一点,我们已经需要分析交易线的熟悉程度。只是,麻烦的是,它通常由1-2个更少的3个断点组成,到了鉴定的时候,市场就变得有效了。也许有一些套利起源的间接迹象,那么它们的早期检测、分类和不断的现代化的任务只是由NS来完成。

你怎么看?

我在网上读到。

Что лучше, статистические методы или нейронные сети? Лучшим ответом на этот сугубо практический для прикладника вопрос является “It depends”. По-русски это означает “Все зависит от ситуации”.

可以得出的主要实际结论可以归结为一句话,这句话已经成为一句谚语:"如果没有什么帮助,就试试神经网络"