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
Steady States sind flache Höchststände während Umkehrungen oder Korrekturen. Trends sind instabile Zustände des Übergangs von einer Ebene zur nächsten. Vor einem Trend wird ein regelmäßiges Signal durch das Rauschen der Wohnung verstärkt und äußert sich in abrupten, oft kurzzeitigen Sprüngen von Niveau zu Niveau.
Wie können wir daraus etwas Praktisches lernen?
P.S. Wie können wir zum Beispiel nur die Zufallskomponente (reines Rauschen) aus der Volatilität extrahieren, um ein regelmäßiges Signal zu erhalten? Die Volatilität ist bekanntlich ein antipersistenter Prozess. Einfach eine Konstante davon abzuziehen, funktioniert nicht, da das Signal während des Trends stärker wird. Umkehrung? Und wie hoch ist wohl der Verstärkungskoeffizient?
Rauschextraktion, Wavelets scheinen dafür konzipiert zu sein (ich kann mich irren).
Viel Glück!
Ich habe das Gefühl, dass es irgendwie mit den potenziellen Modellen übereinstimmt, oder besser gesagt, mit meiner Vorstellung davon, wo und wie sie eingesetzt werden sollten :).
Und wo kann ich über potentielle Modelle aus Ihrer Sicht lesen, denn Google erstickt an "potentiellen Modellen", das Leben dreht sich wie immer um die kleinen Dinge.
Es gibt einen tollen Thread im Parallelforum :) https://www.mql5.com/ru/forum/50458 aber es ist ziemlich verworren. Ein Beispiel dafür ist http://forex.kbpauk.ru/download.php?Number=16275. Meiner Ansicht nach sollten solche Modelle lediglich stabile Zustände beschreiben und damit eine grundlegende Möglichkeit eröffnen, ein "externes" Signal zu isolieren.
Und wo kann ich über potentielle Modelle aus Ihrer Sicht nachlesen, denn Google ist voll von "potentiellen Modellen", das Leben dreht sich wie immer um das Schwätzchen.
Es gibt einen tollen Thread im Parallelforum :) https://www.mql5.com/ru/forum/50458 aber es ist ziemlich verworren. Ein Beispiel dafür ist http://forex.kbpauk.ru/download.php?Number=16275. Meiner Ansicht nach sollten solche Modelle lediglich stabile Zustände beschreiben und damit eine grundlegende Möglichkeit eröffnen, das "externe" Signal zu isolieren.
Wenn ich das richtig verstehe, müssen Sie nach Merkmalen des Systems/Modells suchen (vielleicht auf der Grundlage einer Zeitreihe), bei denen dieses "aktuelle" schwache regelmäßige Signal mit dem Rauschen in Resonanz geht, d. h. es wird mehrfach verstärkt. Besonders hervorgehoben:
Ich kann noch konkreter werden: Mit anderen Worten, wenn man von einem praktischen Gesichtspunkt ausgeht, sollte man die Parameter des Rauschens kontrollieren und nach solchen Werten seiner Eigenschaften suchen, bei denen die Wahrscheinlichkeit einer Resonanz deutlich erhöht ist.
Es wird kaum möglich sein, die genaue Flugbahn zu berechnen, aber es könnte möglich sein, die grundlegenden Merkmale der zukünftigen gerichteten Bewegung (Schwung, Sprung, Schwung - was auch immer) zu berechnen. Dementsprechend ist es notwendig, einen Satz festzulegen:
- Parameter des aktuellen Rauschens (ich nehme an, sie variieren)
- Aktuelle Signalparameter
Dies birgt natürlich einige Schwierigkeiten in sich. Das Verhältnis zwischen Signal und Rauschen wird stark voneinander beeinflusst. Für das aktuelle Signal sind zwei einfache Optionen angebracht:
- besteht darin, das Signal mit einer Art Tiefpassfilter zu isolieren (die Wavelet-Option ist für dieses Modell recht gut geeignet).
- Verwendung verschiedener Regressionen oder deren Kombinationen
Im allgemeinen Fall müssen wir eine Vorhersage für dieselben Systemelemente treffen:
- Parameter des zukünftigen Lärms
- Künftige Signalparameter
Die Vorhersage von Lärm wird Sie wahrscheinlich zum Schmunzeln bringen, aber ich denke, sie sollte ein wichtiger Bestandteil des Systems sein. Natürlich müssen Sie nicht den Lärm selbst vorhersagen, aber Sie müssen einige Schlussfolgerungen über die grundlegenden Parameter des zukünftigen Lärms ziehen. Die Resonanz selbst scheint mir von sehr zufälliger Natur zu sein, und ob sie sich addiert oder nicht, hängt fast ausschließlich vom Rauschen ab.
PS 01: Es handelt sich um eine interessante Idee, so dass es ein Jahr oder länger dauern wird, wenn man die notwendigen Untersuchungen und das Ausprobieren verschiedener Varianten berücksichtigt.
zur MathematikIch verwende dieses Konzept in meinem Modell. Das funktioniert sehr gut.
Wenn ich das richtig verstehe, müssen Sie nach Merkmalen des Systems/Modells (vielleicht auf der Grundlage einer Zeitreihe) suchen, bei denen dieses "aktuelle" schwache regelmäßige Signal mit dem Rauschen in Resonanz geht, d. h. es wird mehrfach verstärkt. Besonders hervorgehoben:
Ich kann noch konkreter werden: Mit anderen Worten, wenn man von einem praktischen Gesichtspunkt ausgeht, sollte man die Geräuschparameter kontrollieren und nach solchen Geräuschmerkmalen suchen, bei denen die Wahrscheinlichkeit einer Resonanz deutlich erhöht ist.
Die Berechnung einer exakten Flugbahn ist unwahrscheinlich, aber es könnte möglich sein, die Hauptmerkmale der zukünftigen gerichteten Bewegung (Schwung, Sprung, Schwung - was auch immer) zu berechnen. Dementsprechend ist es notwendig, einen Satz festzulegen:
- Parameter des aktuellen Rauschens (ich nehme an, sie variieren)
- Aktuelle Signalparameter
Dies birgt natürlich einige Schwierigkeiten in sich. Das Verhältnis zwischen Signal und Rauschen wird stark voneinander beeinflusst. Für das aktuelle Signal sind zwei einfache Optionen angebracht:
- besteht darin, das Signal mit einer Art Tiefpassfilter zu isolieren (die Wavelet-Option ist für dieses Modell recht gut geeignet).
- Verwendung verschiedener Regressionen oder deren Kombinationen
Im allgemeinen Fall müssen wir eine Vorhersage für dieselben Systemelemente treffen:
- Parameter des zukünftigen Lärms
- Künftige Signalparameter
Die Vorhersage von Lärm wird Sie wahrscheinlich zum Schmunzeln bringen, aber ich denke, sie sollte ein wichtiger Bestandteil des Systems sein. Natürlich müssen Sie nicht den Lärm selbst vorhersagen, aber Sie müssen einige Schlussfolgerungen über die grundlegenden Parameter des zukünftigen Lärms ziehen. Die Resonanz selbst scheint mir von sehr zufälliger Natur zu sein, und ob sie sich addiert oder nicht, hängt fast ausschließlich vom Rauschen ab.
PS 01: Es handelt sich um eine interessante Idee, so dass es ein Jahr oder länger dauern wird, wenn man die notwendigen Untersuchungen und das Ausprobieren verschiedener Varianten berücksichtigt.
zur MathematikIch verwende dieses Konzept in meinem Modell. Das funktioniert sehr gut.
Wenn ich den Artikel richtig verstanden habe, müssen Sie nach einer dauerhaften Einflussquelle suchen. Es könnte sich jedoch herausstellen, dass es keine gibt. Oder es gibt viele von ihnen, was dasselbe ist. Wie geht man also vor?
Wenn ich den Artikel richtig verstanden habe, müssen Sie nach einer dauerhaften Quelle für die Auswirkungen suchen. Es könnte sich jedoch herausstellen, dass es keine gibt. Oder es sind sehr viele, was dasselbe ist. Wie geht man also vor?
Ich habe das starke Gefühl, dass ich nach beidem suchen muss, und alles zusammen ist sehr frustrierend. Ich beginne meine Reise mit Lärm, zumal ich mich schon lange damit beschäftigen wollte.
Wenn ich den Artikel richtig verstanden habe, müssen Sie nach einer dauerhaften Einflussquelle suchen. Aber es könnte sich herausstellen, dass es gar keine gibt. Oder es sind sehr viele, was dasselbe ist. Was ist also zu tun?
Ich habe das starke Gefühl, dass ich nach beidem suchen muss, und alles zusammen ist sehr frustrierend. Auf Wunsch beginne ich meine Reise mit dem Lärm, zumal ich mich schon seit langem damit befassen wollte.
Sie können die Aufgaben natürlich auch aufteilen. Aber dann muss man nach einer Antwort suchen: Wer profitiert? Aber das klingt wie eine kindische Frage. Aber ich könnte mich irren.