Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2274
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Ich fürchte, es wird nicht einmal mit Mathematik funktionieren) Grob gesagt, denn die Tsosniks haben Nicht-Stationarität "nicht das System", das wir brauchen)
Hier ist ein guter Artikel über Nicht-Stationarität im Audiobereich:
Während die Stationarität streng definiert werden kann, ist die Nicht-Stationarität ein sehr weites Konzept, da es unendlich viele Möglichkeiten gibt, von der Stationarität abzuweichen.
Während die Stationarität streng definiert werden kann, ist die Nicht-Stationarität ein sehr weites Konzept, da es unendlich viele Möglichkeiten gibt, von der Stationarität abzuweichen.
Die Tsosniks in dem Problem haben einen stark verrauschten stationären Prozess, den wir genau kennen, und die Aufgabe besteht darin, das Rauschen zu beseitigen.
In unserem Fall ist das SB-Modell mit einer gewissen Streuung verrauschter stationärer Bewegungen unterschiedlicher Stärke und Periode besser geeignet, und es könnte sogar eine zeitliche Wiederholung geben, aber wir wissen nicht genau, wonach wir suchen müssen.
Deshalb ist es notwendig, solche Perioden irgendwie herauszufiltern (mit einer ausreichend kleinen Anzahl von Fehlern) und nicht einmal zu versuchen, etwas in anderen Momenten zu tun. Der Versuch, eine "universelle Preistheorie" zu erstellen, gefolgt von "das Rückgrat des Forex brechen" ist ein offensichtlicher Weg ins Nichts.)
Ich stimme zu: Warum brechen, wenn man mit dem Strom schwimmen kann. Die Hauptsache ist, das Gleichgewicht zu halten)
Die Tsosniks haben in ihrem Problem einen stark verrauschten stationären Prozess, den sie genau kennen, und die Aufgabe besteht darin, das Rauschen zu beseitigen.
Dies ist ihre Standardtheorie. Lärm ist übrigens in besonderem Maße an den Stillstand gebunden).
Ich habe gerade über ihre Versuche geschrieben, von diesen Standardannahmen wegzukommen.
In unserem Fall ist das SB-Modell besser geeignet, mit einer Art Durcheinander von verschiedenen in der Stärke, Zeitraum lauten stationären Bewegungen der Serie und es gibt sogar repetitive in der Zeit, aber genau das, was zu suchen ist nicht bekannt.
Nun, ja, SB ist "Null-Annäherung", und dann ist es eine Frage des Geschmacks.)
Der ganze Multi-Milliarden-Dollar-Markt ist überschwemmt mit Overnighters und Scalpers, und du sagst... durch irgendwelche stationären Filter, ich bin nicht stark. Wir brauchen kein Perpetuum mobile, sondern eine Veränderung, aber nicht sofort.
https://github.com/balzer82/FFT-Python
es gibt noch mehr davon, aber ich verstehe nicht, was er getan hat
https://github.com/snazrul1/PyRevolution/blob/master/Puzzles/DSP_For_Stock_Prices.ipynb
Vielleicht geht es um logische Filter? Sie müssen sich verkaufen, je mehr schöne Worte, desto besser. Ich beobachte das System seit 2011 und habe schöne Berichte und Backtests auf meiner Website. Zum Glück habe ich den Quellcode gefunden. Mein Tester zeigt eine Sache an, aber sein Bericht zeigt eine andere. Ich fing an, mich damit zu befassen, und wie durch ein Wunder gab es an dem Tag, an dem ich Geld verlor, keinen Handel.
Der erste Link befasst sich mit der Belastung des Stromnetzes, hier sind die Zyklen leicht zu finden. In der Ökonometrie werden auch gerne Beispiele mit expliziten Zyklen gezeigt.
Mit der zweiten habe ich mich nicht beschäftigt, aber das letzte Bild sagt, dass sie Fourier verwendet haben, um Zyklen zu isolieren und sie in die Zukunft fortzusetzen, die orangefarbene Linie besteht aus denselben Teilen, das funktioniert nicht. Hier ist ein Indikator zu diesem Thema.
Was Fourier betrifft, so sehe ich die Sache folgendermaßen. Zunächst wird eine Dekomposition durchgeführt, z. B. stl
dann werden Schleifen durch bpf gesucht
dann werden die Schleifen mit einer Handelslogik umhüllt. (einschließlich MO) Es sieht nicht kompliziert aus.
Hilbert-Huang-Transformation.
Funktioniert nicht
Wer weiß, wie man skalenfreie Erkennung durchführt?
Wie zum Beispiel in diesem Video...
Ich weiß, dass dies durch Spektren geschieht (höchstwahrscheinlich Fourier), ich weiß sogar, wie man es macht, aber es scheint mir, dass das, was ich weiß, nicht der effizienteste Weg ist...
Ich interessiere mich also dafür, wie scale-free im wissenschaftlichen/industriellen Umfeld eingesetzt wird , bei welchen Aufgaben, wo man es nachlesen kann...
Wer weiß, wie man skalenfreie Erkennung durchführt?
Wie zum Beispiel in diesem Video...
Ich weiß, dass dies durch Spektren geschieht (höchstwahrscheinlich Fourier), ich weiß sogar, wie man es macht, aber es scheint mir, dass das, was ich weiß, nicht der effizienteste Weg ist...
Ich interessiere mich also dafür, wie scale-free im wissenschaftlichen/industriellen Umfeld eingesetzt wird , für welche Aufgaben es verwendet wird, wo man es nachlesen kann...
Vielleicht DTW?
Ein Artikel in den Hubs über die Verwendung von DTW in der Spracherkennung.
Wer weiß, wie man skalenfreie Erkennung durchführt?
Wie zum Beispiel in diesem Video...
Ich weiß, dass dies durch Spektren geschieht (höchstwahrscheinlich Fourier), ich weiß sogar, wie man es macht, aber es scheint mir, dass das, was ich weiß, nicht der effizienteste Weg ist...
Ich interessiere mich also dafür, wie scale-free im wissenschaftlichen/industriellen Umfeld eingesetzt wird , für welche Aufgaben, wo man es nachlesen kann...
Große gleitende Normalisierung + Korrelation
Große gleitende Normalisierung + Korrelation