用傅里叶变换预测未来 - 页 45

新评论
 
Integer: 因此，神经网络有更多的参数。只使用一个谐波是使用几个谐波的一个特例--同样的几个谐波，只是除了一个以外，其他的谐波都是0振幅。如果我们只用一个，我们就会到Herzl，到MESA。

我同意。但神经网络 有办法避免与历史相适应，尽管那里也有复杂的情况。但用傅里叶法，几乎没有办法识别谐波或未来会盈利的谐波--这就是将傅里叶法应用于金融市场的困难。
 
Integer:

也就是说，你可以做这些计算，比如把数据分解成谐波，调整振幅、相位，加起来，只是代替你计算系数来计算结果，就像FATL、SATL指标那样--只是把价格乘以系数，然后加起来。
系数不一定是常数......我可以建立一个模型，用它来计算具有所需特性和自适应参数的滤波器的传递特性，去（傅里叶/拉普拉斯->Z-变换）到离散域，将传递特性变换为差分方程，然后...利润！)
 
LeoV:

同意。但神经网络有办法避免与历史相适应，尽管那里也有一些困难。但对于傅里叶，几乎没有办法识别谐波或未来会盈利的谐波--这就是在金融市场应用傅里叶的困难。

对于任何系统，你都应该做一个适应性检查，在优化后的下一节做一个检查测试。这也是事实。有了网络--训练网络，测试它。对于任何其他系统--优化，检查测试超过优化期。

确定谐波的方法是在测试器中进行优化。

 
Integer:

对于任何系统，你都应该做一个适应性检查，在优化后的下一节做一个检查测试。这也是事实。有了网络--训练网络，测试它。对于任何其他系统--优化，检查测试超过优化期。

确定谐波的方法是在测试器中进行优化。


好吧，傅里叶没有这样的确定方法--它要么是通过咖啡渣来猜测，要么是在天空中的手指，因为一切都停留在选择上，即在选择谐波。这就是为什么傅里叶没有在细网中找到其应用。

傅里叶测试仪中的优化实际上是按过去数据的利润率来选择谐波，但不是对未来利润率的选择。

没有任何测试仪可以检查谐波的事实配合。在MT4中 - 这是不现实的做法。

 
alsu:
系数不一定是恒定的...我可以建立一个模型，用它来计算具有所需特性和自适应参数的滤波器的传递特性，去（傅里叶/拉普拉斯->Z-变换）到离散域，将传递特性转换成差分方程，然后...利润！)

好的，知道了。这已经是一个经典的DSP。
 
LeoV:


傅里叶没有这样的定义方式--要么是咖啡叶的猜测，要么是手指在天空中的猜测，因为这一切都归结于选择，即在谐波的选择上。这就是为什么傅里叶没有在细网中找到其应用。

测试仪中的优化是通过对过去数据的利润大小来选择谐波，但不是选择在未来带来利润。

没有任何测试仪可以检查谐波的事实配合。在MT4中 - 这是不现实的做法。


实事求是地说。它与通过训练神经网络 来测试神经网络 没有根本的区别。最终，我们对利润感兴趣。通过利润，看系统是否在优化部分之后的部分获得了利润。
 
Integer:

好的，知道了。这已经是一个经典的DSP。
关键问题是建立一个工作模型，其余的是技术问题，在书中都有描述)
 
Integer: 实事求是地说。它与通过训练神经网络来测试神经网络没有根本的区别。最终，我们对利润感兴趣。通过利润，我们看到系统是否在优化部分之后的部分产生了利润。

这里还有一个细微的差别。优化后的下一个片段越大，发现的谐波在未来的数据上很快就会过时（停止带来利润）的概率就越高。减少这一部分会导致测试的不可靠。
 
LeoV:

这里还有一个细微的差别。优化后的下一节越大，发现的谐波在未来的数据上就越有可能迅速过时（不再产生利润）。减少这一环节--我们得到了核查的不可靠。

神经网络没有这样的问题？
 
Integer: 你对神经网络没有这个问题吗？

是的，有的。但在训练网络时可以注意到一些规律性的东西，还有一些训练技术可以让你连正向测试都不用做。我不知道傅立叶，也没有听说过。
1...383940414243444546474849505152...55
新评论