Dérivées 1 et 2 du MACD - page 25
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Merci. Juste pour clarifier, s'il vous plaît, est-ce que la photo ci-dessus est une page de votre livre (non publié) ou une autre ?
(Si c'est le vôtre, aujourd'hui 09-JAN-2012 vous avez assuré VOTRE PRIORITÉ SCIENTIFIQUE MONDIALE en le publiant sur le forum).
Laissez-moi expliquer aux autres ce dont je parle : dans de nombreux cas de signaux bruyants, les méthodes habituelles d'approximation et d'interpolation ne fonctionnent pas. Habituellement, dans de tels cas, la méthode des moindres carrés est utilisée (en résolvant un système redéfini d'équations linéaires). Bien que leurs résultats soient beaucoup plus fiables, toutes ces méthodes sont des CENTAINES plus lentes que les méthodes simples habituelles, en raison de la résolution du système linéaire.
Dans certains cas, très rares, d'une approximation particulière ou d'un signal particulier, des scientifiques individuels ont réussi, par des astuces mathématiques purement analytiques, à réduire le système linéaire d'équations (bidimensionnel) à des méthodes plus simples (unidimensionnelles, sommation ou convolution vectorielle). Cela accélère l'approximation du signal bruyant par des CENTAINES de fois.
L'une de ces méthodes est celle publiée ici (pour la toute première fois) sur MQL4.com par l'auteur GPWR (Vladimir).
Holoborodko du Japon, cité plus haut, a utilisé la même approche pour calculer la dérivée d'un signal bruyant. Il a réussi à réduire (simplifier et accélérer) les formules de dérivation à des types ridiculement simples, sans résoudre un système d'équations linéaires.
En traitement numérique du signal, la même approche est utilisée dans des filtres Savitzky-Golay assez rares.
https://en.wikipedia.org/wiki/Savitzky%E2%80%93Golay_smoothing_filter
P.S. Addendum pour GPWR. Par le style "russe" de l'anglais correct, je vois que c'est votre livre. Il est excellent, tout simplement excellent. D'ailleurs, il a été écrit de façon très lucide. C'est dommage que vous ne l'ayez pas publié. C'est une bonne contribution pour la DSP. Je crains qu'il ne soit PAS adapté au commerce, sauf dans certains endroits comme moyen auxiliaire rapide - peut-être.
P.P.S. Chacun apprend une approche scientifique pour résoudre des problèmes de mathématiques appliquées.Vous me flattez :) Les pages citées étaient tirées de mon livre non publié. Honnêtement, quand j'ai dérivé ces formules, je n'ai rien vu de spécial. Il s'agit d'une régression trigonométrique habituelle : on prend le modèle trigonométrique de la série, on fixe la fréquence w et on obtient un modèle linéaire en fonction des paramètres restants A, B et la moyenne. Et puis comme tout le monde : on suppose un bruit gaussien, alors la méthode du maximum de vraisemblance se réduit à la méthode des moindres carrés. Mais merci quand même pour les mots gentils.
D'ailleurs, le plus gros problème est de trouver cette fréquence w. Dans l'indicateur, j'ai utilisé la méthode de Quinn et Fernandez, qui est décrite plus loin dans mon livre. Il est facile de montrer que le modèle de série chronologique x_n basé sur la fonction trigonométrique x_n = A*cos(w*n+phase)+epsilon_n se réduit à
Plus tard, j'ai utilisé une méthode plus précise, mais plus longue, pour trouver la fréquence, basée sur la recherche du maximum du spectre. Mais les deux méthodes m'ont donné à peu près les mêmes résultats, ce qui m'a donné plus de confiance dans la puissance de l'algorithme de Quinn et Fernandez.
Vous me flattez :)
Plus tard, j'ai utilisé une méthode plus précise, mais plus longue, pour trouver la fréquence, basée sur la recherche du maximum du spectre. Mais les deux méthodes m'ont donné à peu près les mêmes résultats, ce qui m'a donné plus de confiance dans la puissance de l'algorithme de Queen et Fernandez.
Je ne flatte rien du tout. Vous, collègue, n'avez probablement pas une idée très large de l'applicabilité de votre méthode. Pour certaines applications DSP, augmenter la vitesse d'ajustement d'un facteur 100 sans perte de précision (ce qui équivaut en soi à augmenter la précision d'un facteur 2) est une question de vie ou de mort - littéralement. Par exemple, dans les radars d'avions, dans la défense aérienne, dans les cas d'anti-missiles, ainsi que dans d'autres applications. Il est grand temps d'appeler "les bonnes personnes", il est étrange que vous n'ayez pas encore été appelé "de là-bas", la méthode était pratiquement inconnue jusqu'à présent. (Nous ne discuterons pas ici des "petites choses" telles que l'applicabilité aux mobiles et aux modems).
Et puis, comme je l'ai déjà dit, le succès d'une telle approche "réductrice" dans MNC est une rareté dans les méthodes numériques. Alors ne soyez pas modeste.
Je ne suis pas du tout flatteur. Vous, collègue, n'avez probablement pas une idée très large de l'applicabilité de votre méthode. Pour certaines applications DSP, augmenter la vitesse d'ajustement d'un facteur 100 sans perte de précision (ce qui équivaut en soi à augmenter la précision d'un facteur 2) est une question de vie ou de mort - littéralement. Par exemple, dans les radars d'avions, dans la défense aérienne, dans les cas d'anti-missiles, ainsi que dans d'autres applications. Il est grand temps d'appeler "les bonnes personnes", il est étrange que vous n'ayez pas encore été appelé "de là-bas", la méthode était pratiquement inconnue jusqu'à présent. (Nous ne discuterons pas ici des "petites choses" telles que l'applicabilité aux mobiles et aux modems).
Et puis, comme je l'ai déjà dit, le succès d'une telle approche "réductrice" dans MNC est une rareté dans les méthodes numériques. Alors ne soyez pas modeste.
Hmmm... Je vais écrire un article et voir ce que les critiques ont à dire.
Identique à la régression trigonométrique ordinaire : on prend un modèle trigonométrique d'une série, on fixe la fréquence w et on obtient un modèle linéaire par rapport aux paramètres restants A, B et la moyenne.
J'aimerais essayer la régression trigonométrique dans EViews.
Pourriez-vous écrire ou me dire comment écrire cette régression, afin de pouvoir estimer les paramètres dans EViews. Il existe de nombreuses méthodes d'estimation, qui peuvent également être modifiées.
Je vais certainement poster le résultat
Identique à la régression trigonométrique ordinaire : prendre un modèle trigonométrique d'une série, fixer la fréquence w et obtenir un modèle linéaire par rapport à ses paramètres restants A, B et moyenne.
J'aimerais essayer la régression trigonométrique dans EViews.
Pourriez-vous écrire ou me dire comment écrire cette régression, afin de pouvoir estimer les paramètres dans EViews. Il existe de nombreuses méthodes d'estimation, qui peuvent également être modifiées.
Désolé, mais je ne suis pas familier avec EViews. Si vous avez besoin du code de cette méthode, voyez ici :
https://www.mql5.com/ru/code/8732
À propos, les méthodes économétriques ARMA se réduisent à une régression en série trigonométrique avec des exposants décroissants comme exp(zeta*n)*cos(w*n+phase). Lisez la sortie de la méthode de Prony et vous comprendrez tout. Si vous ne le trouvez pas, je vais poster un extrait de mon livre qui explique tout.
Désolé, mais je ne suis pas familier avec EViews. Si vous avez besoin du code de cette méthode, regardez ici :
https://www.mql5.com/ru/code/8732
À propos, les méthodes ARMA d'économétrie se réduisent à la régression de séries trigonométriques avec des exposants décroissants comme exp(zeta*n)*cos(w*n+phase). Lisez la sortie de la méthode de Prony et vous comprendrez tout. Si vous ne le trouvez pas, je vais poster un extrait de mon livre qui explique tout.
La page en question est manquante.
Votre connaissance d'EViews n'est pas requise - je vais essayer de le faire, mais je ne peux pas me passer de votre aide.
L'équation dans EViews ressemble à ceci pour les valeurs de retard :
EURUSD = c(1) + c(2)*EURUSD(-1) + c(3) * EURUSD(-2) etc.
avec des sinus :
EURUSD = c(1) + c(2)*sin(c(3)* ........ ) ......
Quelque chose comme ça. Le type de formule est tout à fait arbitraire. C(i) sont les coefficients à évaluer par différentes méthodes.
La page en question n'existe pas.
Le code est ici :
https://www.mql5.com/ru/code/8732
La façon dont les cotes y sont affichées est claire. Je ne demande pas d'argent pour mes codes, alors que les créateurs d'EViews demandent >1000 $ par copie. Je ne vais donc pas les aider et traduire mon code au format EViews.
Le code est ici :
https://www.mql5.com/ru/code/8732
La façon dont les cotes y sont affichées est claire. Je ne demande pas d'argent pour mes codes, alors que les créateurs d'EViews demandent >1000 $ par copie. Je ne vais donc pas les aider et traduire mon code au format EViews.
EViews est un outil. Tous les programmes de votre ordinateur sont gratuits, y compris le vin ?
Tu ne veux pas le faire, ne le fais pas.
...
C'est une régression trigonométrique régulière :
...
C'est vrai, c'est une régression trigonométrique régulière. Pas très sûr que ces deux sinus et cosinus révolutionneront le DSP, mais essayez de cocher un article.
Ce n'est pas très clair comment vous allez identifier le modèle de manière adéquate. Je ne veux pas dire qu'il faut fermement "adapter" le modèle à une série, avec MNC vous pouvez adapter n'importe quel modèle à n'importe quelle série (avec quelques hypothèses sur la précision). Je m'interroge sur la compréhension que les paramètres "optimaux" trouvés tiendront pendant une longue période dans le futur, suffisamment longue pour avoir le temps de fonctionner. Il y a de fortes chances que les paramètres se comportent de manière aléatoire.
Ce modèle présente, entre autres, un net désavantage : il faut prévoir longtemps à l'avance pour en tirer profit. Il n'est pas très précis, de plus, il ne décrit pas du tout le marché, on le verra par l'analyse des erreurs du modèle - les premiers lags seront fortement corrélés.
PS : bien que, il ya un couple de pensées sur le développement de cette chose, si vous êtes intéressé - je peux écrire en privé.
C'est ça, c'est une tr-régression régulière. Je ne suis pas sûr que ces deux sinus et cosinus vont révolutionner le DSP, mais essayez de cocher un article.
Ce n'est pas très clair comment vous allez identifier le modèle de manière adéquate. Je ne veux pas dire "inscrire" fermement le modèle dans une série, vous pouvez inscrire n'importe quel modèle dans n'importe quelle série avec MNC (avec quelques hypothèses sur la précision). Je m'interroge sur la compréhension que les paramètres "optimaux" trouvés tiendront pendant une longue période dans le futur, suffisamment longue pour avoir le temps de fonctionner. Il y a de fortes chances que les paramètres se comportent de manière aléatoire.
Ce modèle présente, entre autres, un net désavantage : il faut prévoir longtemps à l'avance pour en tirer profit. Il n'est pas très précis, de plus, il ne décrit pas du tout le marché, on le verra par l'analyse des erreurs du modèle - les premiers lags seront fortement corrélés.
PS : bien que, il ya un couple de pensées sur le développement de cette chose, si elles sont intéressantes pour vous - je peux écrire en privé.
Selon mon opinion peu éclairée, l'approche décrite est peu utile pour le marché. Tout est bon pour améliorer le rapport signal/bruit. Comme écrit ci-dessus pour le guidage des missiles. Il n'y a pas de signal sur le marché, et surtout les caractéristiques de la BP, notamment la fréquence, la phase, flottent tout le temps. Si on ne reconnaît pas la non-stationnarité dès le départ, on n'obtient rien de bon en principe. En reconnaissant la non-stationnarité, nous pouvons au moins indiquer les limites d'applicabilité de la méthode.
Pour une raison quelconque, les méthodes d'entropie maximale (comme Burg) sont passées sous silence. Vous pouvez clairement voir comment l'AFR évolue lorsque la taille de la fenêtre change ou lorsque la fenêtre est déplacée. Immédiatement, vous pouvez voir plusieurs bosses de fréquences de résonance agissant sur l'échantillon analysé. Et il est immédiatement clair que vous ne pouvez pas utiliser toute cette beauté pour prédire la prochaine mesure et prédire sur la foi sainte que l'AFR ne changera pas lorsque la prochaine mesure arrivera. Et c'est un très bon exemple où l'idée mise en œuvre initialement ne tenait pas compte de la non-stationnarité.