Marktphänomene - Seite 28
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
Das Marktmodell
...Die Essenz ist sehr einfach. Es gibt eine endliche Anzahl von Strukturen, die die Umwandlung von Input in Output beschreiben. Jede dieser Strukturen impliziert eine Art von Modell, nach dem die Transformation erfolgt. Der beobachtete Prozess wird durch einen Übergang (Switching) zwischen Strukturen...
Liebe Kolleginnen und Kollegen, ich werde das Forum für eine längere Zeit verlassen.
gpwr, das Problem ist, dass diese Dekodierung (oder, was in etwa dasselbe ist, der Wechsel zwischen Strukturen) höchstwahrscheinlich nicht linear ist.
Lineare Verbindungen zwischen Ereignissen (Pearson-Korrelationen) verschwinden bereits bei kleinen "Abständen" zwischen den Ereignissen. Mit Abstand meine ich die Anzahl der Basis-TF-Einheiten, d. h. die Anzahl der Balken.
Bis jetzt gibt es nichts weiter zu sagen, da ich selbst im Dunkeln tappe und tappe.
Ich habe den Eindruck, dass Sie in die richtige Richtung denken. Ich möchte noch hinzufügen, dass die Preise in einem bestimmten Zeitintervall nicht als einfache Traversen zwischen diesen Strukturen dargestellt werden, sondern als deren gewichtete Kombinationen. Das Wichtigste ist, diese Strukturen zu finden. Was sind sie? Hauptsächliche Vektoren? Sinus und Kosinus wie bei der Fourier-Transformation? Wavelets? Wenn jemand weiß, wie man diese Strukturen aus einer Zeitreihe korrekt identifizieren kann, bitte ich um Ihre Meinung. Hier gibt es zwar viele Möglichkeiten, aber nur eine ist richtig. Ich würde die Strukturen (Wavelets) für richtig halten, die am wenigsten Zeit benötigen, um den Preis zu beschreiben. Dies ist meine Erfahrung aus der Radiotechnik. Die übertragene digitale Information ist 100110... wird durch einen digitalen Filter/DAC-Modulator geleitet und so in ein analoges Signal mit mehr Werten als die ursprüngliche Information umgewandelt. Der Prozess der Darstellung von Marktpreisen als Übergänge zwischen Strukturen ist im Wesentlichen identisch mit dem Prozess der Demodulation eines Funksignals (oder der Reduzierung der Dimensionalität stochastischer Prozesse). Um dieses Signal korrekt zu demodulieren, müssen wir wissen, mit welchen Filtern (Strukturen) es kodiert wurde.
Als Funktechniker (leider schon in der Vergangenheit) unterstütze ich Ihre Idee der Demodulation.
Die Idee der synchronen Erkennung wird vorgeschlagen - die Hauptsache ist, das Referenzsignal und die Art der Filterung (eher nichtlinear) zu bestimmen.
gpwr, das Problem ist, dass diese Dekodierung (oder, was in etwa dasselbe ist, der Wechsel zwischen Strukturen) höchstwahrscheinlich nicht linear ist.
Lineare Verbindungen zwischen Ereignissen (Pearson-Korrelationen) verschwinden bereits bei kleinen "Abständen" zwischen den Ereignissen. Mit Abstand meine ich die Anzahl der TF-Basiseinheiten, d. h. die Anzahl der Balken.
Bis jetzt habe ich nichts Weiteres zu sagen, da ich selbst im Dunkeln tappe und tappe.
Mein Interesse an diesem Thema beruht auf ihrer eher praktischen Anwendung als der Vorhersage von Marktpreisen. Ich interessiere mich jetzt mehr für die Entwicklung von schnellen Spracherkennungssystemen. Wie wir wissen, besteht die Sprache aus Phonemen (den gleichen Strukturen), deren Gesamtheit ein Wort bildet. Zum Beispiel gibt es in der russischen Sprache nur 43 Phoneme, die 150-200 Tausend Wörter bilden. Diese Wörter bilden Sätze und Sprache. Sprache kann als Äquivalent eines Marktpreises betrachtet werden, dessen Phoneme (Strukturen) uns nicht bekannt sind. Deshalb sieht es wie Lärm aus (stellen Sie sich die Sprache eines Außerirdischen vor). Die Phoneme der Sprache werden von den Stimmbändern, der Zunge usw. erzeugt - kurz gesagt, von Stimmfiltern, deren Input das Rauschen in Form der ausgeatmeten Luft ist. Unsere Sprachwahrnehmung ist auch ein Prozess der Filterung von Klängen durch die Filter des Innenohrs, die auf verschiedene Phoneme abgestimmt sind. Das heißt, einfach ausgedrückt, ein kodiertes Signal (Sprache) ist der Input (das Ohr) und der Output (in der Großhirnrinde) ist das Signal (Wörter). Bei der Preisvorhersage geht es um die Vorhersage künftiger Phoneme (Strukturen). Daran bin ich aber nicht interessiert. Ich interessiere mich für das Erkennen vergangener und gegenwärtiger Phoneme (Strukturen). Um dies zu erreichen, sollte man über einen Wortschatz dieser Phoneme verfügen und die Sprache mit diesen bekannten Phonemen korrelieren (natürlich in vereinfachter Form). Wenn wir wissen, welche Sprache unser Gesprächspartner spricht, können wir einfach das entsprechende Phonem-Wörterbuch nachschlagen, die Sprache in einen Text dekodieren und ihn dann mit dem Wörterbuch übersetzen. Was aber, wenn wir die Sprache des Sprechers nicht kennen? Wie können wir Phoneme aus der Sprache bestimmen? Oder anders gefragt: Wie lassen sich die Strukturen aus den Preisangeboten ableiten? Beachten Sie, dass die Anzahl der Preisstrukturen in der gleichen Größenordnung liegen muss wie die Anzahl der Sprachphoneme (10-100).
gpwr:
...
Beachten Sie, dass die Anzahl der Preisstrukturen in der gleichen Größenordnung liegen sollte wie die Anzahl der Sprachphoneme (10-100).
Ich denke, wir sind schon nah dran am Thema "Marktmuster" (einige Phoneme, wie Sie schreiben) - insbesondere deren Einstellung und Erkennung, zum Beispiel durch NS. Danach wird die Handelsentscheidung getroffen - entweder nach oben oder nach unten. Es ist also folgendermaßen.
Ich stimme zu. Es gibt viele verschiedene Begriffe: Phoneme, Strukturen, Muster, Wavelets, Basisfunktionen. Mir gefällt der Begriff Basisfunktionen besser. Ich interessiere mich für folgende Frage: Wie kann man die Basisfunktionen automatisch bestimmen, wenn man eine Zeitreihe kennt? Natürlich kann man diese Reihe visuell untersuchen und Dreiecke, Fahnen und andere schöne Formen finden. Aber niemand hat bisher bewiesen, dass diese Muster statistisch bedeutsam und nicht nur ein Produkt der Phantasie sind. Erinnern Sie sich wie in der Anekdote:
Der Psychiater zeigt dem Patienten verschiedene Bilder und fragt ihn: "Was sehen Sie darauf?" Und der Patient antwortet: "Einen Mann und eine Frau beim Sex." "Sie sind eine Art Lüstling", sagt der Arzt. Und der Patient sagt: "Nun, du hast mir diese anzüglichen Bilder selbst gezeigt."
Die automatische Identifizierung statistisch wichtiger Basisfunktionen ist ein komplizierter Prozess, und ich glaube nicht, dass jemand herausgefunden hat, wie man das richtig macht, selbst mit neuronalen Netzen. Natürlich können wir die Aufgabe vereinfachen und im Voraus davon ausgehen, dass die Zeitreihe in Haar-Wavelets, trigonometrische Funktionen wie in Fourier-Reihen oder andere Basisfunktionen, die häufig in der Regression verwendet werden, unterteilt ist. Und alle diese Basisfunktionen werden unsere Reihen erfolgreich reproduzieren, egal ob es sich um eine Preisreihe oder eine Sprachreihe handelt. Aber stellen Sie sich vor, wir zerlegen die Sprache in Haar-Wavelets - die haben nichts mit Phonemen zu tun. Genauso wenig sinnvoll wäre es, eine Preisreihe in Haar-Wavelets oder trigonometrische Funktionen zu zerlegen. Es ist angebracht, die komprimierende Abtastung zu erwähnen, deren Wesen darin besteht, das Signal mit der kleinsten Menge von Basisfunktionen zu beschreiben. Obwohl es viele Algorithmen dieser Methode gibt, setzen sie alle voraus, dass wir die Basisfunktionen kennen. Wenn Sie Ideen für den Algorithmus zur Ermittlung von Basisfunktionen aus den Preisreihen haben, teilen Sie diese bitte mit.
... Kurz gesagt, wenn jemand eine Idee für einen Algorithmus zur Ermittlung von Basisfunktionen aus einer Preisreihe hat, bitte ich um Mitteilung.
Als Funktechniker (leider schon in der Vergangenheit) unterstütze ich Ihre Idee der Demodulation.
Die Idee der synchronen Erkennung wird vorgeschlagen - die Hauptsache ist, das Referenzsignal und die Art der Filterung (eher nichtlinear) zu bestimmen.
Das gefällt mir jetzt schon... Sergey, was sind die wichtigsten physikalischen Prinzipien des Radios (Telegraf usw.)?
Ich stimme zu. Es gibt viele verschiedene Begriffe: Phoneme, Strukturen, Muster, Wavelets, Basisfunktionen. Mir gefällt der Begriff Basisfunktionen besser. Ich interessiere mich für folgende Frage: Wie kann man die Basisfunktionen automatisch bestimmen, wenn man eine Zeitreihe kennt? Natürlich kann man diese Reihe auch visuell untersuchen und Dreiecke, Fahnen und andere schöne Formen finden. Aber niemand hat bisher bewiesen, dass diese Muster statistisch bedeutsam und nicht nur ein Produkt der Phantasie sind. Erinnern Sie sich wie in der Anekdote:
Der Psychiater zeigt dem Patienten verschiedene Bilder und fragt: "Was sehen Sie darauf?" Und der Patient sagt: "Einen Mann und eine Frau beim Sex." "Sie sind eine Art Lüstling", sagt der Arzt. Und der Patient sagt: "Nun, du hast mir diese anzüglichen Bilder selbst gezeigt."
Die automatische Identifizierung statistisch wichtiger Basisfunktionen ist ein komplizierter Prozess, und ich glaube nicht, dass irgendjemand herausgefunden hat, wie man es richtig macht, selbst mit neuronalen Netzen. Natürlich können wir die Aufgabe vereinfachen und im Voraus davon ausgehen, dass die Zeitreihe in Haar-Wavelets, trigonometrische Funktionen wie in Fourier-Reihen oder andere Basisfunktionen, die häufig in der Regression verwendet werden, unterteilt ist. Und alle diese Basisfunktionen werden unsere Reihen erfolgreich reproduzieren, egal ob es sich um eine Preisreihe oder eine Sprachreihe handelt. Aber stellen Sie sich vor, wir zerlegen die Sprache in Haar-Wavelets - die haben nichts mit Phonemen zu tun. Genauso wenig sinnvoll wäre es, eine Preisreihe in Haar-Wavelets oder trigonometrische Funktionen zu zerlegen. An dieser Stelle sei das Compressive Sensing erwähnt, bei dem es im Wesentlichen darum geht, ein Signal mit einer möglichst kleinen Anzahl von Basisfunktionen zu beschreiben. Obwohl es viele Algorithmen dieser Methode gibt, setzen sie alle voraus, dass wir die Basisfunktionen kennen. Wenn Sie Ideen für den Algorithmus zur Ermittlung von Basisfunktionen aus den Preisreihen haben, teilen Sie diese bitte mit.