Zufallsstromtheorie und FOREX - Seite 14
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
Nun, meiner Meinung nach ist diese Aussage zu starr. In der Tat gibt es keine Studien, die Statistiken über die Lebensdauer von Modellen liefern. Darüber hinaus gibt es keine Daten über die Menge an Informationen (= Verzögerungszeit), die erforderlich ist, um das Modell zu erkennen. Selbst diejenigen, die diese Modelle einführen und verwenden, ziehen es vor, solche Studien nicht durchzuführen oder nicht zu veröffentlichen. Es wird davon ausgegangen, dass das Modell erkannt wird, bevor die Wahrscheinlichkeiten ausgeglichen sind, wenn die Strategie einen positiven Wert hat.
Und es gibt solche Strategien, lebendige Strategien. Sehen Sie besser hin. Sein EA macht genau das, was ich in meinem implementieren wollte - er erkennt Pivot-Punkte und steigt am Anfang einer Welle ein. Und sie bewegt sich sowohl nach oben als auch nach unten. Hier haben Sie eine Prognose und vor der Anerkennung.
...
Wir müssen also die Ressourcen sowohl in Bezug auf den Speicher als auch auf die Rechenzeit genau abschätzen. Andernfalls kann es zu einem Berechnungszyklus von 5-10 Stunden kommen. Welche Neuigkeiten also? Nur noch für Tage oder Wochen zu spielen. :-)
Natürlich handelt es sich dabei um eine Hypothese, die sich nicht auf Statistiken stützt (die kein Argument für solche Behauptungen sein können, da ein einziges Beispiel ausreicht, um sie zu widerlegen), sondern auf systemische Überlegungen, d. h. Gleichgewichtsüberlegungen. AberBetter's Advisor ist auch kein Argument - wenig Beobachtungszeit. Für uns, die wir kein Geld haben (und es gibt nur wenige Milliardäre unter uns :), gibt es jedoch eine gute Nachricht: Die Tatsache, dass unser Handeln den Markt in keiner Weise um Größenordnungen beeinflusst, vereinfacht die Aufgabe. Es sei denn, unser Modell stimmt mit dem Modell eines der Wale überein :)
Das Problem des Umfangs der Berechnungen wird durch die Schaffung eines Clusters gelöst werden, und ich denke, dass es für die Arbeit an der fertigen Strategie kein Problem sein wird, Teilnehmer zu rekrutieren. Nun, ein Computer kann hoffentlich mit einem Filter umgehen.
Die gute Nachricht ist, dass unsere Maßnahmen den Markt nicht um Größenordnungen beeinflussen, was die Aufgabe vereinfacht. Außer wenn unser Modell mit einem der Wale zusammenfällt :)
Das Problem des Rechenaufwands kann durch die Einrichtung eines Clusters gelöst werden, und ich denke, es wird kein Problem sein, Teilnehmer für die Arbeit an einer vorgefertigten Strategie zu gewinnen. Und ein Computer kann hoffentlich mit einem Filter umgehen.
Ich frage mich, wie die Tatsache, dass "unsere Maßnahmen keine Auswirkungen auf den Markt haben", die Aufgabe "um eine Größenordnung" vereinfacht? Ich habe den Eindruck, dass das Gegenteil der Fall ist. Hätten unsere Maßnahmen einen Einfluss auf den Markt (in wünschenswerter Weise), würde dies das Problem nicht nur vereinfachen, sondern sogar beseitigen. :-) Und dann bräuchten wir auch keine Roboter.
Was den Cluster angeht, haben Sie mich verärgert. Selbst mein persönliches Engagement wird die Situation nicht retten. Es gibt nur 8 Milliarden Menschen auf der Erde, wahrscheinlich keine Computer mehr. Wie um alles in der Welt kann man einen Cluster erstellen, wenn man 10-100 Milliarden Filter zu berechnen hat? :-)))
Auf eine wünschenswerte Weise? Sobald unsere Handlungen den Markt spürbar beeinflussen, wird der Markt gegen uns persönlich arbeiten. Dazu gehören auch Zentralbanken und Geheimdienste. Soros war zu seiner Zeit als einmalige Aktion erfolgreich, und Sie wollen ein Modell haben, das es Ihnen erlaubt, alles Geld der Welt zu pumpen? Nun, nehmen wir an, es funktioniert. Und wer braucht das Geld danach? :)
Rein technisch gesehen werden alle Konstanten in Variablen umgewandelt.
Bei einer Milliarde Teilnehmer wird die Annäherung ohne Rückkopplung nicht mehr funktionieren. Und 100 ist keine unerreichbare Zahl.
Калмановская фильтрация
Einführung
Gegenwärtig sind adaptive Filter weit verbreitet, bei denen eingehende neue Informationen zur kontinuierlichen Korrektur einer zuvor vorgenommenen Schätzung des Signals verwendet werden (Zielverfolgung bei der Funkortung, automatische Kontrollsysteme usw.). Von besonderem Interesse sind rekursive adaptive Filter, die als Kalman-Filter bekannt sind.
Diese Filter werden häufig in Regelkreisen von automatischen Regel- und Steuersystemen eingesetzt. Hier haben sie ihren Ursprung, was durch die spezifische Terminologie zur Beschreibung ihrer Funktionsweise, wie z. B. Zustandsraum, belegt wird.
Die Aufgabe der Parameterschätzung
Eine der Aufgaben der statistischen Entscheidungstheorie von großer praktischer Bedeutung ist die Aufgabe der Bewertung von Zustandsvektoren und Parametern von Systemen, die wie folgt formuliert ist: Angenommen, wir müssen den Wert eines VektorparametersX bewerten, der nicht direkt messbar ist. Stattdessen wird ein anderer Parameter Z gemessen, der von X abhängt. Die Aufgabe der Schätzung besteht darin, die Frage zu beantworten: Was kann über X gesagt werden, wenn man Z kennt? Im Allgemeinen hängt das Verfahren zur optimalen Schätzung des Vektors X von dem für die Schätzung gewählten Qualitätskriterium ab. So erfordert beispielsweise ein Bayes'scher Ansatz für die Parameterschätzung vollständige A-priori-Informationen über die probabilistischen Eigenschaften des geschätzten Parameters, was oft nicht möglich ist. In diesen Fällen wird die Methode der kleinsten Quadrate (Least Squares Method, LSM) verwendet, die wesentlich weniger A-priori-Informationen erfordert. Betrachten wir eine Anwendung von LOC für den Fall, dass der Beobachtungsvektor Z mit dem Schätzvektor X durch ein lineares Modell verbunden ist und es eine Störung V gibt, die mit dem geschätzten Parameter unkorreliert ist:
wobei H eine Transformationsmatrix ist, die die Beziehung zwischen den beobachteten Werten und den geschätzten Parametern beschreibt.
Die Schätzung X, die das Quadrat des Fehlers minimiert, wird wie folgt geschrieben:
Wenn die Störung V unkorreliert ist, ist die RV-Matrix einfach eine Einheitsmatrix, und die Gleichung für die Schätzung wird einfacher:
Problem der Filterung
Anders als beim Parameterschätzungsproblem mit festen Werten müssen wir beim Filterungsproblem Prozesse bewerten, d. h. aktuelle Schätzungen von zeitvariablen Signalen finden, die durch Interferenzen verzerrt sind und daher für eine direkte Messung nicht zur Verfügung stehen. Im Allgemeinen hängt die Art der Filteralgorithmen von den statistischen Eigenschaften des Signals und der Störung ab. Nehmen wir an, dass das gewünschte Signal eine langsam variierende Funktion der Zeit ist und die Störung ein unkorreliertes Rauschen ist. Auch hier verwenden wir die Methode der kleinsten Quadrate, da wir keine Informationen über die Wahrscheinlichkeitscharakteristika des Signals und der Störung haben.
Im Wesentlichen haben wir ein parametrisches Schätzverfahren implementiert, das auf einem autoregressiven Modell des Signalerzeugungsprozesses basiert.
Formel 3 lässt sich leicht programmatisch umsetzen, indem man die Matrix H und den Beobachtungsspaltenvektor Z einträgt. Solche Filter werden Finite-Memory-Filter genannt, weil sie die letzten k Beobachtungen verwenden, um die aktuelle Schätzung Xpoc zu erhalten. Bei jedem neuen Beobachtungszyklus wird eine neue Beobachtung zum aktuellen Satz von Beobachtungen hinzugefügt, und die alte wird verworfen. Dieses Verfahren zur Gewinnung von Schätzungen wird als gleitendes Fenster bezeichnet.
Filter mit wachsendem Speicher
Filter mit endlichem Speicher haben einen großen Nachteil - nach jeder neuen Beobachtung muss eine vollständige Neuberechnung aller gespeicherten Daten durchgeführt werden. Außerdem kann mit der Berechnung der Schätzungen erst begonnen werden, wenn die Ergebnisse der ersten k Beobachtungen kumuliert wurden. Das heißt, diese Filter haben eine lange Einschwingzeit. Um diesen Nachteil zu beheben, müssen wir von einem Filter mit permanentem Speicher zu einem Filter mit wachsendem Speicher wechseln. Bei einem solchen Filter muss die Zahl der für die Schätzung verwendeten Beobachtungswerte mit der Zahl n der aktuellen Beobachtung übereinstimmen. Auf diese Weise können Schätzungen ausgehend von der Anzahl der Beobachtungen, die der Anzahl der Komponenten des geschätzten Vektors X entspricht, vorgenommen werden. Dies hängt von der Ordnung des Modells ab, d. h. davon, wie viele Terme aus der Taylor-Reihe in dem Modell verwendet werden. Gleichzeitig werden mit der Erhöhung von n die Glättungseigenschaften des Filters verbessert, d.h. die Genauigkeit der Schätzungen wird erhöht. Die direkte Umsetzung dieses Ansatzes ist jedoch mit zunehmenden Rechenkosten verbunden. Daher werden Filter mit wachsendem Speicher als rekurrente Filter implementiert.
Ein Filter mit wachsendem Speicher hat eine wichtige Eigenschaft: In Formel 6 ist die endgültige Schätzung die Summe aus dem vorhergesagten Schätzungsvektor und dem Korrekturterm. Diese Korrektur ist bei kleinem n groß und nimmt mit zunehmendem n ab, wobei sie für n gegen Null tendiert. Das heißt, dass mit zunehmendem n die Glättungseigenschaften des Filters zunehmen und das ihm innewohnende Modell zu dominieren beginnt. Das reale Signal kann jedoch nur in einzelnen Bereichen an das Modell angepasst werden, so dass sich die Vorhersagegenauigkeit verschlechtert. Um dagegen anzukämpfen, ist es ab einem gewissen n verboten, den Korrekturzeitraum weiter zu verringern. Dies entspricht einer Änderung der Bandbreite des Filters, d. h. bei kleinem n ist der Filter breiter (weniger träge), bei größerem n wird er träger.
Vergleiche Abbildung 1 und Abbildung 2: In der ersten Abbildung hat der Filter einen großen Speicher und eine gute Glättung, aber aufgrund der geringen Bandbreite hinkt die geschätzte Flugbahn der tatsächlichen Flugbahn hinterher. In der zweiten Abbildung hat der Filter einen kleineren Speicher und ist weniger glatt, folgt aber der tatsächlichen Flugbahn besser.
Lassen Sie uns das definieren:
2. Angenommen, es gibt eine normalverteilte Zufallsvariable mit Nullerwartung und positivem Korrelogramm.
Wenn die Reihe lang genug ist, können wir alle längeren Perioden der gerichteten Kursbewegung herausstreichen. Nennen wir einen solchen Trend einen deterministischen Trend. Deterministische Trends können im Prinzip mit Hilfe von digitalen Tiefpassfiltern oder deren Ableitungen erkannt werden. So ist beispielsweise die Kreuzung zweier gleitender Durchschnitte mit unterschiedlichen Perioden nichts anderes als eine Annäherung an die Ableitung einer geglätteten Zeitreihe. Es ist klar, dass dies so funktioniert, wie es die Mathematik verlangt: Die Ableitung ist größer als Null, was bedeutet, dass die Funktion zunimmt; weniger als Null bedeutet, dass die Funktion abnimmt. Aber nur wenige Menschen wissen, dass es nur für Serien mit einem positiven FAC funktioniert, und ALLE Währungsserien in allen TFs haben einen negativen FAC! Und folglich funktioniert die Methode nicht auf dem Markt oder sie funktioniert, aber zufällig...
Die Hauptunterschiede zwischen einer Zeitreihe und einer Folge von Beobachtungen, die eine Zufallsstichprobe bilden, sind die folgenden:
- Erstens sind die Mitglieder einer Zeitreihe, anders als die Elemente einer Zufallsstichprobe, nicht unabhängig;
- Zweitens sind die Mitglieder einer Zeitreihe nicht unbedingt gleich verteilt.
Generell werden 4 Faktoren unterschieden, unter deren Einfluss Werte von Zeitreihen gebildet werden.
1. Die langfristigen, die den allgemeinen (langfristigen) Trend des untersuchten Attributs bilden. Normalerweise wird dieser Trend durch eine nicht zufällige Funktion (deren Argument die Zeit ist) beschrieben, die in der Regel monoton ist. Diese Funktion wird als Trendfunktion oder einfach als Trend bezeichnet.
2. Saisonal, d. h. zu bestimmten Zeiten des Jahres kommt es zu periodischen Schwankungen des analysierten Attributs. Da diese Funktion periodisch sein soll (mit Perioden, die ein Vielfaches der "Jahreszeiten" betragen), umfasst ihr analytischer Ausdruck Harmonische (trigonometrische Funktionen), deren Periodizität in der Regel durch das Wesen des Problems bestimmt wird.
3. Zyklische (konjunkturelle) Veränderungen des analysierten Merkmals, die durch langfristige wirtschaftliche oder demografische Zyklen verursacht werden (Kondratieff-Wellen, demografische "Löcher" usw.).
4. Zufällige (unregelmäßige) Ereignisse, die nicht gezählt und aufgezeichnet werden können. Ihr Einfluss auf die Bildung von Zeitreihenwerten ist genau das, was den stochastischen Charakter der Elemente der Reihe bestimmt und somit die Notwendigkeit, die Mitglieder als Beobachtungen von Zufallsvariablen zu interpretieren. Bezeichnen wir das Ergebnis der Wirkung von Zufallsfaktoren mit Zufallsvariablen ("Residuen", "Fehler").
Natürlich ist es nicht notwendig, dass alle vier Arten von Faktoren gleichzeitig an der Bildung der Werte einer Zeitreihe beteiligt sind. Schlussfolgerungen darüber, ob die Faktoren eines bestimmten Typs an der Bildung der Werte einer bestimmten Zeitreihe beteiligt sind oder nicht, können sowohl auf der Analyse des wesentlichen Teils des Problems als auch auf einer speziellen statistischen Analyse der untersuchten Zeitreihen beruhen. In allen Fällen wird jedoch von der Beteiligung von Zufallsfaktoren ausgegangen. Ein Datenmodell (mit einem additiven Strukturschema des Einflusses von Faktoren) sieht also ganz allgemein wie eine Summe aller oder einiger Faktoren aus.
Der Filter kann auf einen beliebigen, nicht unbedingt deterministischen Prozess eingestellt werden. Sie können den 1. Filter auf (1. Langfristig, ....), den 2. Filter auf (2. Saisonal,...), den 3. Filter auf (3. Zyklisch...), den 4. Filter auf (4. Zufällig (unregelmäßig), ...) usw. einstellen.
Ich sehe keinen grundsätzlichen Unterschied darin, zu analysieren und zu entscheiden, wohin die Zitate fließen und wohin sich die ebene Bewegung bewegt. Ein Flugzeug kann einen Sturzflug, einen Kaber, eine Schlange, eine Kobra und . ... jede Art von Manöver zu jeder Zeit (nach Belieben des Piloten). Und wenn er weiß, dass die Rakete abgefeuert wird, glauben Sie mir, dann kommt er ins Schleudern wie der Teufel in der Bratpfanne.
Die Aufgabe der Kalman-Filter (nicht ein !!! Filter für alle Fälle), sondern mehrere. 1 Bestimmen Sie - die Art des Manövers und den Zeitpunkt seines Beginns. 2 Voraussagen, wo sich das Flugzeug in einiger Zeit befinden wird, um es so effektiv wie möglich anzugreifen (Gewinnmitnahme :-)).
Daher ist es notwendig, nicht nur einen Filter zu bauen, sondern mehrere, von denen jeder für sein eigenes Modell (flach, Trend) eingerichtet ist.
Die einfachste Variante ist ein Filter, der mit dem Trend und ein weiterer mit dem Flat arbeitet. Der Kalman-Filter-Algorithmus verfügt über ein Verfahren, mit dem Sie feststellen können, welcher Filter jetzt besser ist.
Ich hoffe, Sie werden nicht behaupten, dass es Systeme gibt, die in einem flachen Trend gut funktionieren, aber in einem Trend versagen, und umgekehrt, sie funktionieren gut in einem Trend, aber nicht in einem flachen. Der Kalman-Filter kann Ihnen also sagen, wann Sie umschalten müssen.
P.S. Ich werde noch versuchen, einen Kalman-Filter zu bauen, verschiedene Bewegungsmuster zu erstellen und TS auf der Grundlage dieser Muster zu implementieren. Der Kalman-Filter hat eine einzigartige Eigenschaft, die Standard-Indikatoren nicht haben, er ist in der Lage vorherzusagen + sagen wir, ich baue 3 Filter Flat, Trend, Gap. In einem bestimmten Abschnitt funktioniert keiner dieser Filter, ich analysiere diesen Abschnitt und baue den vierten Filter, usw. Keine stumpfe Suche von -100 bis +100 (Wahrnehmer), sondern sinnvolles Training des Systems.zum Privaten
Ich hoffe, dass Sie keine strategische Verteidigungsinitiative gegen Zitate als Antwort auf die imperialistischen Aasgeier ins Leben rufen? :о)))
P.S. Ich werde noch versuchen, einen Kalman-Filter zu bauen, verschiedene Bewegungsmuster zu erstellen und einen darauf basierenden TS zu implementieren. Ich werde zum Beispiel 3 Filter erstellen: Flat, Trend, Gap. In einem bestimmten Abschnitt funktioniert keiner dieser Filter, ich analysiere diesen Abschnitt und baue den vierten Filter, usw. Keine stupide Suche von -100 bis +100 (Perzeptor), sondern ein sinnvolles Lernen des Systems.
Ich empfehle: Strengen Sie sich nicht zu sehr an, Sie könnten sich die Hand brechen. Erstellen Sie zu Beginn nur einen Filter, für Flat oder Trend. Während Sie das tun, werden Sie viel über Forex verstehen, und es wird einfacher sein, weiterzumachen. Es ist besonders wichtig, Folgendes zu verstehen: Kein echter Händler hat das Ziel, Gewinn zu machen. von allen Situationen. Jeder findet für sich eine sehr begrenzte Liste und arbeitet nur an diesen bestimmten Mustern.
Wenn es Ihnen gelingt, einen Filter zu entwickeln, der statistisch gesehen nur eine einzige gewinnbringende Situation unterscheidet, die nicht allzu selten ist, sagen wir einmal pro Tag, dann ist das ein Füllhorn, von dem jeder hier träumt.
Prival, das Thema ist interessant, ich habe mich mit Ihren Artikeln vertraut gemacht - vernünftige Gedanken (obwohl ich überzeugt bin, dass es besser ist, die Flugbahn im kartesischen Koordinatensystem zu modellieren und zu filtern, aber das ist nicht relevant). Eine gewisse visuelle Ähnlichkeit der AFK-Doppler-Flugbahn des Ziels in der Luft und der Preisbewegung erscheint mir jedoch zufällig und nicht der Aufmerksamkeit wert, da die Art der Prozesse völlig unterschiedlich ist. Die dynamischen Eigenschaften des Flugzeugs und die Zitate haben leider wenig gemeinsam. In einem Thread hier wurde die Preisbewegung mit der Flugbahn einer Fliege verglichen, nicht mit der eines Flugzeugs. Aber auch eine Fliege ist nicht in der Lage, Gänse zu fangen, zum Beispiel.
Gleichzeitig können Sie, wenn Sie eine lineare Regression des Preises als Signal definieren, einige hundert Pips über ein Jahr oder sogar Null "fangen" - wenn der Koeffizient der linearen Regression gleich Null ist. Dasselbe gilt für die stochastische Resonanz - wir können eine langsame Tendenz auf Kosten einer hochfrequenten Tendenz mit größerer Amplitude feststellen, aber was können wir daraus gewinnen? Manchmal kommt es jedoch innerhalb von nur zwei oder drei Tagen zu Kursbewegungen im mehrstelligen Bereich. Und es kann Dutzende solcher Bewegungen in einem Jahr für fast jedes Paar geben. Und in kleinen Zeitrahmen kann es in einem Jahr Hunderte von Bewegungen von einer halben Zahl oder so und Tausende von Bewegungen von 20 Pips geben. Die Frage ist also: Brauchen wir ein Signal oder ein Rauschen?
Von Zeit zu Zeit wiederhole ich im Forum meine These, dass es meiner Meinung nach keinen Sinn macht, Preise in Signal und Rauschen zu unterteilen. Es handelt sich um eine Zeitreihe, die einen nichtstationären Prozess in einem superkomplexen nichtlinearen dynamischen System beschreibt. Es ist ein Skalar, den wir als verallgemeinertes Maß für Millionen von Primärparametern betrachten. Es besteht keine Notwendigkeit, sie in Komponenten aufzuteilen - es gibt keine. Daher ist die Anwendung herkömmlicher Filtermethoden (die in diesem Forum bereits mehrfach diskutiert wurden) der Aufgabe nicht angemessen.
Gibt es geeignete Methoden? Ja, die gibt es. Am Vorabend der Meisterschaft habe ich mich auf Anregung von klot und anderen Forumsteilnehmern für künstliche Intelligenz interessiert. Leider wurde der Begriff missachtet und in einigen Veröffentlichungen hier auf der Website in meinen Augen sogar abgewertet, so dass ich die "neumodische" Theorie lange Zeit abgetan habe. Aber - nein, auch Anti-Werbung ist Werbung, irgendwann hat die Propaganda von Perceptron auch eine positive Rolle gespielt, um die Aufmerksamkeit auf das Thema zu lenken. Aber nachdem ich die Literatur gelesen hatte, sah ich, wie weit die so genannte "schwache KI" im Vergleich zu beispielsweise vor dreißig Jahren, als ich das erste Mal davon hörte, fortgeschritten ist. Genauer gesagt, wie weit ich im Rückstand bin.
Ich habe ein einfaches Raster implementiert, aber die Beispiele anderer Expert Advisors und vor allem der aktuelle Spitzenreiter Better zeigen, dass dies eine gute Richtung ist, in die man gehen kann.
Prival, ich möchte Sie nicht mit Ihrem Plan verwirren, aber ich bin überzeugt, dass Sie in AI auch für Ihre berufliche Tätigkeit viel Nützliches finden werden und schneller einen profitablen TS aufbauen werden.
Meine Herren, lassen Sie mich Ihnen einen Rat geben. Sie bieten mir andere Möglichkeiten an, meinen TS aufzubauen (Sie nennen Beispiele für künstliche Intelligenz und neuronale Netze, aber aus meiner Sicht verstehen Sie diese nicht vollständig). Oder vielleicht denken Sie, dass ich gerade erst angefangen habe, mich mit Forex zu beschäftigen (obwohl ich mich an die Zeiten erinnere, als der minimale Spread 10-15 Pips betrug und das ein Segen zu sein schien), oder ich habe keine Ahnung von KI, neuronalen Netzen und wo die Beine herauswachsen :-).
Jetzt werde ich versuchen, Ihnen zu helfen, zu verstehen, was ich tun will und was Sie tun, wenn Sie ein "einfaches trainiertes Netzwerk" erstellen.
Zum besseren Verständnis gebe ich Ihnen den Link, lesen Sie ihn noch einmal und vergleichen Sie ihn mit dem, was ich unten schreibe (ich kann die Erklärung von klot leider nicht finden, vielleicht steht sie auch dort).
Wie man eine profitable Handelsstrategie findet ('How to find a profitable trading strategy')
Ungewöhnlicher automatisierter Handel ("Ungewöhnlicher automatisierter Handel")
Hier ein Zitat : "Wenn wir Objekte in zwei Klassen einteilen: Longs und Shorts, und die Werte von Indikatoren oder Oszillatoren der technischen Analyse als Merkmale nehmen, dann müssen wir nur die Gleichung der Ebene herausfinden und versuchen, sie zur Identifizierung zu verwenden. Die Problemstellung ist klar.
Dies ist die Theorie des Erkennens in ihrer reinen Form, und das Militär nutzt sie seit langem sehr gut (Beispiele für Klassen ("freundlich - fremd", (Kampfflugzeug - Flugzeugträger, usw.). Und hier ist eine kompliziertere Aufgabe als 4 Klassen (BMP - APC - BMP-Modell - APC-Modell), versuchen Sie hier mit einer geraden Linie zu tun :-), teilen Sie damit alles in 4 Klassen ein.
Neuronale Netze, die berühmt-berüchtigte KI, sind genau aus dieser Theorie entstanden, der Mensch ist einfach von Natur aus faul und will ein System schaffen, Zitat: "Wie realistisch ist es, mit der MT4-Handelsplattform erfolgreich und bequem zu handeln und sich dabei nicht mit akribischer Marktanalyse zu belasten?". Einen Computer darauf zu trainieren, eine große Anzahl von Klassen und Merkmalen zu erkennen, ist sehr schwierig, weshalb Neuronale Netze (NS) geschaffen wurden. Die NS haben einige Erfolge erzielt, aber das ist kein Allheilmittel, denn es gibt keinen INTELLECT. Das Wichtigste bei diesen Aufgaben ist die Einteilung in Klassen und die Auswahl von Merkmalen zur Erkennung dieser Klassen.
Nach der Lektüre dieses Materials habe ich den Eindruck, dass die Autoren entweder nicht verstehen, was sie tun, oder sie führen uns in die Irre, weil sie es sehr gut wissen. Hier ist ein Beispielfragment für den Hauptcode.
Wenn ich einen Kampf-Algorithmus, dass die "Freund-oder-Feind" mit als ein Zeichen (ein technischer Indikator Acceleration/Deceleration (AC)), an der Wand wird wenig (auch wenn ich berücksichtigen die Beschleunigung des Objekts 7, 14 und 21 Minuten vor) bestimmt. Das ändert nichts an der Essenz. Ich spreche hier nur über die Aufteilung in Klassen und nicht darüber, was man mit ihnen nach der Trennung macht. Die Autoren des obigen Materials, mischen alles in einen Haufen (sofort in den Kampf zu kaufen oder zu verkaufen).
Nun möchte ich auf das Material zurückgreifen, das ich in diesem Thread gepostet habe, und zeigen, wie der TC aussehen sollte (natürlich aus meiner Sicht).
1. Hier ist ein Bild, denken Sie darüber nach, vielleicht sagt es Ihnen, wie Sie die "Maschen", die Sie erstellen, verbessern können. Dies ist ein Waldowsky-Detektor in einem Bild (JA-NEIN-Logik, ich habe vor ein paar Seiten darüber gesprochen).
2. Definieren Sie klar die Erkennungszeichen (ich möchte als sie Modelle des "Verhaltens", die ich in Kalman-Filter legen.). Was Sie in Ich weiß nicht, versuchen Sie zu beobachten, mindestens eine Bedingung Merkmale dürfen nicht korreliert werden (stark korreliert).
Bestimmen Sie die Klasse, in die Sie den Eingabestrom von Kursen unterteilen wollen (z. B. "flacher Trend"). Und erst nach der Anerkennung des Stroms werfen sich in die Schlacht, dh wählen Sie ein Handelssystem, das gut funktioniert in der Wohnung, die andere - in den Trend.
P.S. Ich habe wieder einen halben Tag verloren, indem ich die für mich offensichtlichen Dinge gesagt habe, aber mein Ziel ist nicht erreicht worden :-(. Ich habe noch nie jemanden gefunden, der mir bei der Erstellung des TS wirklich helfen will. Ich werde diesen Thread wahrscheinlich löschen.
Ich glaube, dass konstruktive Kritik ebenso wertvoll ist wie eine mögliche Einigung zwischen den Parteien in der Entwurfsphase und die Erörterung einer möglichen Strategie. Das kann Zeit und Mühe sparen. Daher sehe ich keinen Grund, verärgert zu sein - wir sind im selben Team und haben ein gemeinsames Ziel.
Sie, Prival, haben bereits mehrfach festgestellt, dass das Flugzeug eine Masse hat und es daher immer möglich ist, eine diskrete Unterteilung der Zeitachse zu wählen, so dass die Kurve, die die Bewegung des Flugzeugs im Raum beschreibt, unter Berücksichtigung aller möglichen Purzelbäume, glatt ist. Die Überlagerung dieser Kurve mit einer additiven Zufallsstörung ändert das Bild nicht - wir können den Verlauf rekonstruieren und sind in der Lage, Vorhersagen zu treffen. Ich betrachte dies als einen grundlegenden Punkt, der das Verhalten des LA von dem des VR-Preises unterscheidet. Es gibt keine glatte Kurve in den Preisreihen, die mit Störungen behaftet ist - es gibt Bewertungskriterien, die dies mit einiger Sicherheit sagen.
Dies ist eine Kritik meinerseits, auf die Sie bisher nicht konstruktiv reagiert haben.