基于傅里叶的假说 - 页 11

 
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。

 
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。

  1. 采集了一个测试数据集,从START= 1:FRAME开始。
  2. 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)
  3. 对于每个窗口,做了一个余弦变换。
  4. 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。
  5. 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。

  1. 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。)))

 
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。

  1. 采集了一个测试数据集,从START= 1:FRAME开始。
  2. 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)
  3. 对于每个窗口,做了一个余弦变换。
  4. 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。
  5. 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。

  1. 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。


 

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"。

 
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?

 
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。