基于傅里叶的假说 - 页 11 1...4567891011 新评论 Сергей 2009.08.16 22:14 #101 equantis >> : 这是正确的，它值得保留... 为了解决这个问题，我想展示一张有典型结果的图片。 蓝色 - 价格 红色--由程序做出的预测，余弦变换从0开始。 紫色--同样的曲线，但从预测的起点开始计算（100）。 绿色--基于价格曲线的简单预测（我使用内置的预测功能）。 正如我以前写过的，诀窍是识别模型。这个问题真的很复杂，不能只靠眼睛解决。而在概念上，如果我可以这么说的话--"频域预测 "被用于一些任务中，但非常具体。 [删除] 2009.09.11 08:13 #102 grasn писал(а)>> 正如我以前写过的，诀窍是识别模型。这个问题真的很复杂，不能只靠眼睛解决。在概念上，如果我可以这么说的话--"频域预测 "被用于一些任务中，但非常具体。 我花了近一个月的时间用PF进行拆卸，但都是徒劳的。我曾试图预测任何东西，时间序列、移动平均线、指标，但所有的结果都是50-50（大约）。 试着用离散余弦变换来实现你的想法。不幸的是，在反向余弦变换之后，我得到了以下的图片：在恢复的信号中，最后一个小节（实际上是为了进行预测）只是重复了倒数第二个小节（训练集的最后一个小节），有一定的小误差。 为了以防万一，我将描述一下我当时所做的简单算法。 采集了一个测试数据集，从START= 1:FRAME开始。 为每个数据集选择一个WIND窗口（即在START:START+WIND范围内进行采样） 对于每个窗口，做了一个余弦变换。 所有的结果被合并成一个大小为FRAME x WIND的矩阵，其中列包含每个频率的余弦转换系数，行包含每个测试数据集的一个频率的系数。 对于每一列系数，都训练了一个小型的神经网络，该网络基于之前的四个值，很好地预测了正弦波的未来变化，即1巴。之所以采用神经网络，是因为AR预测的结果非常差。 它产生了一组预测数据集的预测系数，其中最后一条是期望值。对预测的系数进行了反余弦变换。 现在停顿一下......唉，没有奇迹--预测的条形图有一个小误差，重复了测试序列的倒数第二条。当分析结果时，我发现第一个条形图发生了一些变化，而其他所有条形图都没有变化，只是移动了一个位置（应该是这样）。但最后一小节只是重复了倒数第二小节的内容，而不是预测。(见上面的图片）。 也许这个结果对一些数学家来说是有用的，但对于预测欧元兑美元的任务来说，它被证明是无用的。唉。然而。))) Сергей 2009.09.11 10:09 #103 equantis >> : 我花了将近一个月的时间试图解决与公积金的问题，但这一切都没有用。我试着预测一切：时间序列、移动平均线、指标，所有的预测结果都是50-50（大约）。 试着用离散余弦变换来实现你的想法。不幸的是，在反向余弦变换之后，我得到了以下的图片：在恢复的信号中，最后一个小节（实际上是为了进行预测）只是重复了倒数第二个小节（训练集的最后一个小节），有一定的小误差。 为了以防万一，我将描述一下我当时所做的简单算法。 采集了一个测试数据集，从START= 1:FRAME开始。 为每个数据集选择一个WIND窗口（即在START:START+WIND范围内进行采样） 对于每个窗口，做了一个余弦变换。 所有的结果被合并成一个大小为FRAME x WIND的矩阵，其中列包含每个频率的余弦转换系数，行包含每个测试数据集的一个频率的系数。 对于每一列的系数，我们训练了一个小型的神经网络，它基于之前的四个值，很好地预测了正弦波的未来变化，即1巴。之所以采用神经网络，是因为AR预测的结果非常差。 它产生了一组预测数据集的预测系数，其中最后一条是期望值。对预测的系数进行了反余弦变换。 现在停顿一下......唉，没有奇迹--预测的条形图有一个小误差，重复了测试序列的倒数第二条。当分析结果时，我发现第一个条形图发生了一些变化，而其他所有条形图都没有变化，只是移动了一个位置（应该是这样）。但最后一小节只是重复了倒数第二小节的内容，而不是预测。(见上面的图片）。 也许这个结果对一些数学家来说是有用的，但对于预测欧元兑美元的任务来说，它被证明是无用的。唉。然而。))) 而且我也没有说会有奇迹出现。 有一些不确定因素。 为每一列的系数训练了一个小型的神经网络，该网络根据之前的四个值很好地预测了正弦波的未来1巴变化。之所以采用神经网络，是因为AR预测的结果非常差。 我不确定这样一个复杂系列的4个数字的NS能很好地预测未来。非常值得怀疑。如果它确实能预测，为什么会有这么大的差异？而 "正弦波 "与此有什么关系。至于AR模型，每个曲率，实际上是一个AR过程，在属性上非常接近于它。识别这样的模型很复杂，使用了很多方法（奇怪的是，比NS更复杂）： 回溯和预测、Akiache标准、"手提箱"、自回归传递函数、协议和最大似然标准（及其变体）、相互关联、随机近似、过滤（它也用于模型识别）。 至少这个想法和你一样好。:о)如果它没有工作--它没有工作，它发生了，我真诚地为你的时间感到抱歉，我不能帮助归还它。但是，顺便说一下，这里https://forum.mql4.com/ru/24888/page9，以备警告你。这个模型有很多微妙之处，其中一些我谦虚地省略了。其中一个微妙之处在于，用这样的模型来预测一个单一的计数是毫无意义的，就是毫无意义。你根本不会得到你想要的精确度，而且永远不会。你必须在 "统计 "意义上进行预测。从文学的角度来说，就是这样的。 [删除] 2009.09.11 12:30 #104 Grasn，无论如何，非常感谢你的想法！你的想法是什么？这个过程很愉快，没有浪费任何时间））。而结果还在后面呢! grasn писал(а) >> 我不确定NS对这样一个复杂系列的4个数字能很好地预测未来。我非常怀疑这一点。如果是这样，为什么会有这么大的差异？而 "正弦波 "与此有什么关系。 1.如果我们考虑每个DCT系数的变化，就像你写的那样，它看起来非常像某种 "曲线-正弦波"（其频率与系数的阶数相对应，特别是对于高频振荡），它的振幅会随着时间而变化。我试着用AR来预测 "正面"，大致如你在Matcad中的例子。 如果我们考虑预测1个酒吧的 "curvulina"，那么AR（至少我已经尝试了我在Matlab中的所有公式）给出了非常不准确的结果，特别是对于具有奇数周期的 "curvulina-sinusoids"（尽管我可能没有全部尝试）。在这种情况下，一个简单的神经网络（在Matlab中用函数newlind实现（我认为它甚至不是一个神经网络，而只是一个线性方程组的求解器），当预测1个点时，可以得到非常好的（视觉上）结果。 2.我看起来很不错，在50个柱子中，它准确地（几乎准确地）预测了48个柱子，并将它们向左移动了1个位置，只犯了1个错误（我不知道为什么）和最后一个错误（对不起，我都是为了做这个）。显然，每个 "曲线 "上的预测的 "微误差 "在反向转换中以这种方式加起来。 我试着 "欺骗 "算法，试图将最后一个小节隐藏在测试段内（我做了一个简单的循环移动），但仍然是最后一个和第一个小节出错。 3.顺便说一下，不仅试图预测收盘（作为预测最差的系列），还试图预测高/低/开盘，以及差额甚至是之字形的最低-最高值。(作为一个系列的例子，有一个扭曲的时间轴）。由于结果是一样的，结论是显而易见的--"迎头 "这个方法只把N-2个柱子向左移动了1个柱子好，但并没有预测外汇行数。 至于AR模型，每条曲线实际上都是一个AR过程，从属性上看非常接近于它。识别这样的模型很复杂，使用了很多方法（奇怪的是，比NS更复杂）： 反转和预测、Akiache标准、"手提箱"、自回归传递函数、协议和最大似然标准（及其变体）、相互关联、随机逼近、过滤（也用于模型识别）。 第二次感谢--很多新的名字--更多的是要尝试。 这个模型有很多微妙之处，其中一些我谦虚地省略了。其中一个微妙之处在于，通过这样一个模型来预测一个单一的样本是毫无意义的，它只是毫无意义。你根本不会得到你想要的精确度，而且永远不会。你必须在 "统计 "意义上进行预测。从文学的角度来说，就是这样的。 感谢第三次，让我们在 "统计学 "意义上试试吧）) Сергей 2009.09.11 13:08 #105 很高兴能为您提供帮助。好运 :o) 顺便说一下，我将尝试在附近的"实时预测系统测试 " 主题中发布预测。如果我在周一前完成，如果没有，我将在以后发布。因此，"取得联系"。 [删除] 2009.09.11 21:41 #106 2 grasn: 1.我想到了一个想法：如果我应用余弦变换两次（首先在测试部分，然后在每个与正弦波如此相似的 "曲线 "上），这难道不会 "改善 "过程的预测特性吗？我明天会试着告诉你结果。 2.当然，在对某些类型的过程进行长期预测的情况下，AR会更好，尽管两个正弦波的叠加很可能是由神经网络插值的。 3.我的理解是否正确（我在某处读到你的帖子），对于这种方法，最好是预测ln(Xi/Xi-1)而不是Close本身？ Сергей 2009.09.11 21:45 #107 equantis >> : 1.我想到了一个想法：如果我应用余弦变换两次（首先在测试部分，然后在每个与正弦波如此相似的 "曲线 "上），这难道不会 "改善 "过程的预测特性吗？我明天会试着告诉你结果。 2.当然，在对某些类型的过程进行长期预测的情况下，AR会更好，尽管两个正弦波的叠加很可能是由神经网络插值的。 3.我没有理解错吧（我在某个地方读过你的帖子），对于这种方法，最好是预测ln(Xi/Xi-1)而不是Close本身？ 1.必须要试一试。 2.问题是，按频率计算的动力学没有周期，它是一个复杂的过程，根本不是正弦波的叠加。 3.是的，这是将其带到固定行的选项之一。 1...4567891011 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
这是正确的，它值得保留...
为了解决这个问题，我想展示一张有典型结果的图片。
蓝色 - 价格
红色--由程序做出的预测，余弦变换从0开始。
紫色--同样的曲线，但从预测的起点开始计算（100）。
绿色--基于价格曲线的简单预测（我使用内置的预测功能）。
正如我以前写过的，诀窍是识别模型。这个问题真的很复杂，不能只靠眼睛解决。而在概念上，如果我可以这么说的话--"频域预测 "被用于一些任务中，但非常具体。
正如我以前写过的，诀窍是识别模型。这个问题真的很复杂，不能只靠眼睛解决。在概念上，如果我可以这么说的话--"频域预测 "被用于一些任务中，但非常具体。
我花了近一个月的时间用PF进行拆卸，但都是徒劳的。我曾试图预测任何东西，时间序列、移动平均线、指标，但所有的结果都是50-50（大约）。
试着用离散余弦变换来实现你的想法。不幸的是，在反向余弦变换之后，我得到了以下的图片：在恢复的信号中，最后一个小节（实际上是为了进行预测）只是重复了倒数第二个小节（训练集的最后一个小节），有一定的小误差。
为了以防万一，我将描述一下我当时所做的简单算法。
现在停顿一下......唉，没有奇迹--预测的条形图有一个小误差，重复了测试序列的倒数第二条。当分析结果时，我发现第一个条形图发生了一些变化，而其他所有条形图都没有变化，只是移动了一个位置（应该是这样）。但最后一小节只是重复了倒数第二小节的内容，而不是预测。(见上面的图片）。
也许这个结果对一些数学家来说是有用的，但对于预测欧元兑美元的任务来说，它被证明是无用的。唉。然而。)))
我花了将近一个月的时间试图解决与公积金的问题，但这一切都没有用。我试着预测一切：时间序列、移动平均线、指标，所有的预测结果都是50-50（大约）。
试着用离散余弦变换来实现你的想法。不幸的是，在反向余弦变换之后，我得到了以下的图片：在恢复的信号中，最后一个小节（实际上是为了进行预测）只是重复了倒数第二个小节（训练集的最后一个小节），有一定的小误差。
为了以防万一，我将描述一下我当时所做的简单算法。
现在停顿一下......唉，没有奇迹--预测的条形图有一个小误差，重复了测试序列的倒数第二条。当分析结果时，我发现第一个条形图发生了一些变化，而其他所有条形图都没有变化，只是移动了一个位置（应该是这样）。但最后一小节只是重复了倒数第二小节的内容，而不是预测。(见上面的图片）。
也许这个结果对一些数学家来说是有用的，但对于预测欧元兑美元的任务来说，它被证明是无用的。唉。然而。)))
而且我也没有说会有奇迹出现。 有一些不确定因素。
为每一列的系数训练了一个小型的神经网络，该网络根据之前的四个值很好地预测了正弦波的未来1巴变化。之所以采用神经网络，是因为AR预测的结果非常差。
我不确定这样一个复杂系列的4个数字的NS能很好地预测未来。非常值得怀疑。如果它确实能预测，为什么会有这么大的差异？而 "正弦波 "与此有什么关系。至于AR模型，每个曲率，实际上是一个AR过程，在属性上非常接近于它。识别这样的模型很复杂，使用了很多方法（奇怪的是，比NS更复杂）： 回溯和预测、Akiache标准、"手提箱"、自回归传递函数、协议和最大似然标准（及其变体）、相互关联、随机近似、过滤（它也用于模型识别）。
至少这个想法和你一样好。:о)如果它没有工作--它没有工作，它发生了，我真诚地为你的时间感到抱歉，我不能帮助归还它。但是，顺便说一下，这里https://forum.mql4.com/ru/24888/page9，以备警告你。这个模型有很多微妙之处，其中一些我谦虚地省略了。其中一个微妙之处在于，用这样的模型来预测一个单一的计数是毫无意义的，就是毫无意义。你根本不会得到你想要的精确度，而且永远不会。你必须在 "统计 "意义上进行预测。从文学的角度来说，就是这样的。
Grasn，无论如何，非常感谢你的想法！你的想法是什么？这个过程很愉快，没有浪费任何时间））。而结果还在后面呢!
grasn писал(а) >>
我不确定NS对这样一个复杂系列的4个数字能很好地预测未来。我非常怀疑这一点。如果是这样，为什么会有这么大的差异？而 "正弦波 "与此有什么关系。
1.如果我们考虑每个DCT系数的变化，就像你写的那样，它看起来非常像某种 "曲线-正弦波"（其频率与系数的阶数相对应，特别是对于高频振荡），它的振幅会随着时间而变化。我试着用AR来预测 "正面"，大致如你在Matcad中的例子。
如果我们考虑预测1个酒吧的 "curvulina"，那么AR（至少我已经尝试了我在Matlab中的所有公式）给出了非常不准确的结果，特别是对于具有奇数周期的 "curvulina-sinusoids"（尽管我可能没有全部尝试）。在这种情况下，一个简单的神经网络（在Matlab中用函数newlind实现（我认为它甚至不是一个神经网络，而只是一个线性方程组的求解器），当预测1个点时，可以得到非常好的（视觉上）结果。
2.我看起来很不错，在50个柱子中，它准确地（几乎准确地）预测了48个柱子，并将它们向左移动了1个位置，只犯了1个错误（我不知道为什么）和最后一个错误（对不起，我都是为了做这个）。显然，每个 "曲线 "上的预测的 "微误差 "在反向转换中以这种方式加起来。
我试着 "欺骗 "算法，试图将最后一个小节隐藏在测试段内（我做了一个简单的循环移动），但仍然是最后一个和第一个小节出错。
3.顺便说一下，不仅试图预测收盘（作为预测最差的系列），还试图预测高/低/开盘，以及差额甚至是之字形的最低-最高值。(作为一个系列的例子，有一个扭曲的时间轴）。由于结果是一样的，结论是显而易见的--"迎头 "这个方法只把N-2个柱子向左移动了1个柱子好，但并没有预测外汇行数。
至于AR模型，每条曲线实际上都是一个AR过程，从属性上看非常接近于它。识别这样的模型很复杂，使用了很多方法（奇怪的是，比NS更复杂）： 反转和预测、Akiache标准、"手提箱"、自回归传递函数、协议和最大似然标准（及其变体）、相互关联、随机逼近、过滤（也用于模型识别）。
第二次感谢--很多新的名字--更多的是要尝试。
这个模型有很多微妙之处，其中一些我谦虚地省略了。其中一个微妙之处在于，通过这样一个模型来预测一个单一的样本是毫无意义的，它只是毫无意义。你根本不会得到你想要的精确度，而且永远不会。你必须在 "统计 "意义上进行预测。从文学的角度来说，就是这样的。
感谢第三次，让我们在 "统计学 "意义上试试吧）)
很高兴能为您提供帮助。好运 :o)
顺便说一下，我将尝试在附近的"实时预测系统测试 " 主题中发布预测。如果我在周一前完成，如果没有，我将在以后发布。因此，"取得联系"。
1.我想到了一个想法：如果我应用余弦变换两次（首先在测试部分，然后在每个与正弦波如此相似的 "曲线 "上），这难道不会 "改善 "过程的预测特性吗？我明天会试着告诉你结果。
2.当然，在对某些类型的过程进行长期预测的情况下，AR会更好，尽管两个正弦波的叠加很可能是由神经网络插值的。
3.我的理解是否正确（我在某处读到你的帖子），对于这种方法，最好是预测ln(Xi/Xi-1)而不是Close本身？
1.我想到了一个想法：如果我应用余弦变换两次（首先在测试部分，然后在每个与正弦波如此相似的 "曲线 "上），这难道不会 "改善 "过程的预测特性吗？我明天会试着告诉你结果。
2.当然，在对某些类型的过程进行长期预测的情况下，AR会更好，尽管两个正弦波的叠加很可能是由神经网络插值的。
3.我没有理解错吧（我在某个地方读过你的帖子），对于这种方法，最好是预测ln(Xi/Xi-1)而不是Close本身？
1.必须要试一试。
2.问题是，按频率计算的动力学没有周期，它是一个复杂的过程，根本不是正弦波的叠加。
3.是的，这是将其带到固定行的选项之一。