对随机性的思考 - 页 19

 
avtomat:
alexeymosc:

有没有可能在神经网络的基础上做出一个好的过滤器(这将是一个非线性的过滤器,但不是重点)?我的意思是,这与你有专家知识的基础知识并不矛盾?(我根本没有和过滤器打过交道,所以这个问题很笼统。)
虽然我对NS有一些了解,但我不是NS专家。我想,在神经网络的基础上做一个好的过滤器是一个可行的任务


谢谢!

我可以问你另一个问题吗?你是想在建立过滤器时减少 "filter-quote "错误的大小,还是比这要复杂得多?

 
alexeymosc:


谢谢你!

我可以问你另一个问题吗?你是想在构建过滤器时减少 "filter-quote "错误的大小还是比这更复杂?


该系统的目标是使跟踪误差最小化。但也有可能以不同的方式设定任务。

这里 有一个问题陈述的例子。(该主题前后有几个帖子)

 
avtomat:


系统的任务是最大限度地减少跟踪误差。但也有可能以不同的方式设置任务。

这里 有一个问题陈述的例子。(该主题上有几个前后的帖子)。


很好!我正以极大的兴趣研究它。谢谢你。
 
alexeymosc:

很好!我正以极大的兴趣研究它。谢谢你。

这个BQQ分支"自适应过滤器"。贸易中的应用"包含很多有用的信息。
而且最好从头开始。
 
avtomat:

这个BQQ分支"自适应过滤器"。贸易中的应用"包含很多有用的信息。
而且最好从头开始。
一个有趣的阅读,谢谢你。
 
sergeyas:

不同的是,EMA和SMA过于原始,无法充分描述系统行为。

它们只是一个最初的、粗略的近似值。 市场会迅速 "计算 "出它(市场)模型的这种冻结结构,并吞噬掉存款。

这解释了机器上的TS需要频繁的优化,即为市场进行调整的事实。

我们需要(一个破旧的真理)在合理的(从风险角度可接受的)时间间隔内进行适应-自动调整。

这里有两种方法--要么定期改变信号模型,要么改变掩码参数(相对而言)。

从哪里获得误差(偏离标准),如何选择它,以及如何使用它进行自动调谐,这是一个算法问题。

我从来没有见过自适应滤波器会与EMA、SMA或其他FIR滤波器不同,并且比它们更好。如果你知道你在说什么,那么请在图片上展示这种自适应滤波器,并解释它的优点。

 
gpwr:

我从来没有见过一个自适应滤波器,最终与EMA、SMA或其他FIR滤波器不同,而且更好。如果你知道你在说什么,那么请用图片展示这样一个自适应滤波器,并解释其优点。


我同意,"原始 "一词我用得不对。

这不是要建立一个复杂的过滤器,尽可能准确地伴随着 商数。

在这里你是对的,在这个意义上,其他过滤器没有任何优势(除了美丽)。

几年前,这个话题在论坛上被广泛探讨,并因没有带来任何实际的好处而被放弃(也有一些图片)。

这是关于调整TS以适应随着时间推移而变化的市场性质。

 
sergeyas:

几年前,这个话题在论坛上被上上下下探讨过,因为没有带来任何实际的好处而放弃了(那里也有图片)。

.........半途而废,没有完成......。

sergeyas:

这是关于调整TS以适应市场不断变化的性质。

完全正确。正是如此。TS就像一个连贯的系统。

 
sergeyas:

这是关于调整TS以适应随着时间推移而变化的市场性质。

如果需要对不太清楚的东西进行调整,不断地、迅速地、不可预测地变化,这就是一个奇怪的系统。

 
tara:

一个奇怪的系统,如果它需要适应一些不被很好理解的东西,不断地、快速地、不可预测地变化。


这种看似奇怪的现象的发生,大部分是由于思维的惯性。这种思维惯性的一个典型例子是描述市场的概率统计学方法,它的极端表现是好战地拒绝任何事情和一切。