Filtri digitali adattivi - pagina 8
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
2 Prival: Mi sono ricordato che Kalman, secondo te, è basato su MNC. Ora capisco perché funziona alla grande sui dati radar (con errori distribuiti in modo gaussiano), ma - peggio sui dati di mercato. La ragione principale per cui Kalman è perfetto sui dati gaussiani è che la funzione di errore (obiettivo) - la somma dei quadrati della varianza in questo caso - è perfetta solo per la distribuzione gaussiana. Per altre distribuzioni le funzioni di errore sono diverse. Per le distribuzioni con code di potenza (code pesanti), le funzioni obiettivo sono molto diverse, e MNC non conta qui. Questo è il motivo per cui JMA è migliore di Kalman sulle serie del mercato.
Interessante. Dai Alexey, sventolerò la mia betulla anche sulla tua testa :-). Dopo tutto, il 99% delle controversie nasce quando 1 persona dice che è meglio. Ma non ha detto in che senso è meglio (dov'è il criterio + quanto meglio). E diciamo che sostengo che il MA è ancora meglio, il migliore, semplicemente fantastico :-). JMA e Kalman non sono nemmeno vicini.
È come dire che una persona è migliore di un'altra. Ma non dire in che modo (nessun criterio). Supponiamo che il primo sia più bravo a bere vodka, mentre il secondo è più bravo a sparare ai pionieri con una fionda. La domanda è: quale dei due è migliore?
Dopo tutto la JMA è una scatola nera per voi e per me. E il filtro Kalman deve contenere
1. Un modello di osservazione (modello di segnale + modello di rumore).
2. Un modello di misurazione (modello di errore di misurazione).
E la soluzione da trovare tramite ANC con una funzione di perdita quadratica. Basato su dati a priori e misure ottenute. E voglio notare che tale funzione di errore target funziona non solo per Gauss, ma per qualsiasi legge di distribuzione simmetrica.
Matematica e ora una domanda. Supponiamo che il processo analizzato sia sinusoidale con rumore uniforme e che le misure siano soggette a una legge di Poisson non stazionaria. Tutti questi modelli sono annidati nel filtro di Kalman e ha trovato la stima ottimale (di questa miscela selvaggia) all'arrivo di una nuova misurazione tramite ANC (funzione di perdita quadratica) secondo tutti i dati a priori annidati in esso.
Dove, in quale luogo è meglio la scatola nera della JMA?
Se si mette in un filtro di Kalman un modello che è coerente al 100% con il forex (segnale + rumore) e un modello di misurazione adeguato (sistema di stima esperto non sincrono), sarà una macchina da urlo.
Z.U. Il modello del rumore di osservazione e misurazione può essere qualsiasi cosa. La cosa principale è essere coerenti con quello che c'è.
Convinto, Privato. Quindi c'è qualcosa che Djuric ovviamente non ci sta dicendo, o sta deliberatamente ostentando il suo prodotto. E ancora, e ancora: perché l'OLS e non, diciamo, la somma dei moduli delle deviazioni? Solo perché ANC è analiticamente più conveniente?
P.S. Ricordo di essermi interrogato su una funzione di perdita opportuna in relazione alla mia vecchia ricerca sulle reti neurali (ecco una funzione obiettivo). E in qualche modo o dedotto o letto da qualche parte che la somma dei quadrati è direttamente correlata all'ipotesi particolare sulla legge della distribuzione degli errori (qui - gaussiana). Quando nella mia ricerca ho cambiato la funzione in somma di moduli (cioè cambiando a priori la legge di distribuzione dell'errore in esponenziale), la qualità della previsione è migliorata leggermente, ma non in modo cardinale.
Se metti un modello nel filtro di Kalman che è coerente al 100% con il forex (segnale + rumore) e un modello di misurazione adeguato (sistema di giudizio esperto non sincrono), sarà una macchina fantastica.
Z.U. Il modello del rumore di osservazione e misurazione può essere qualsiasi cosa. L'importante è far combaciare ciò che c'è.
Il modello del segnale stesso ha delle limitazioni?
a Northwind.
Grazie. E "abbiamo bisogno di un concetto semplice e sufficientemente coerente di vita di mercato" - intende il suo sviluppo personale o l'uso di alcune tecniche, come quelle descritte da Shiryaev?
...la somma dei quadrati è direttamente legata all'ipotesi particolare sulla legge di distribuzione dell'errore (qui, gaussiana)...
Prival, Mathemat, ho paura di irritarmi di nuovo, ma devo dirlo di nuovo - non c'è praticamente nessun rumore nelle citazioni - questo è il segnale di ingresso. State cercando di usare gli strumenti della statistica matematica (filtrare è lo stesso). Statistiche di cosa? La statistica, le leggi di distribuzione, i loro momenti di diversi ordini si riferiscono a variabili casuali (processi). Se si ottiene un tick, è un segnale o un rumore? Io sostengo che è un segnale, perché con questi dati si può dare un ordine di acquisto o di vendita, e sarà eseguito (a parità di altre condizioni generali). Sì, è difficile prevedere quale sarà il prossimo valore del prezzo, quindi voglio credere che ci sia una componente casuale e una non casuale che può essere rilevata e poi estrapolata-predicabile. E non è casuale, è solo sconosciuto. O, se volete, tutto casuale - senza dividerlo in componenti additivi. Che cosa vuoi separare? Lo stesso filtro Kalman filtrerà una componente molto definita - definita dal vostro modello sotto forma di una funzione analitica liscia. Lo conosci? Io no. Stai cercando di identificare le proprietà dinamiche del mercato, e applicare un'analogia fisica è, temo, anche inutile: puoi trovare candele minute con un'ampiezza maggiore di una cifra, così come i gap, il che indica che è praticamente senza inerzia.
È possibile, accettando l'ipotesi che i valori dei prezzi siano casuali, investigarli usando la statistica matematica. Questo è qualcosa che Mathemat e altri hanno apprezzato a lungo. Il risultato sono code grasse e, quindi, di nuovo la mancanza di prospettive pratiche.
Ma che dire dei risultati positivi dei "pianisti" e dei leader dei campionati! Sono solo quelli che parlano della necessità di espandere il paradigma metodologico. Elementi di analisi tecnica (e forse anche fondamentale) dovrebbero essere introdotti nell'MTS, ma non direttamente, usando le vecchie ricette "classiche", ma attraverso il filtraggio preliminare di modelli di lavoro sulla base dell'approccio bayesiano. È difficile far fronte a una tale quantità di informazioni "manualmente", ma qualcuno lo fa. La conclusione è ovvia: addestrare un robot.
Ho già fatto una rete probabilistica in MQL ma non posso farla funzionare con un fattore di profitto superiore a 1,5 - l'insegnante è troppo debole :-).
P.S. Un altro esempio per confermare l'argomento sull'assenza di rumore nel prezzo.
Quando si parla di rumore di misura, si intende una deviazione casuale dei dati di misura dal valore reale della quantità misurata. Per esempio, il radar (per gli specialisti :-)) ha dato un valore di portata 105, e il valore vero è 100, nella misura successiva 99 invece di 101 e così via. La distribuzione dell'errore è generalmente normale. Nel caso in cui il prezzo venga, per esempio, 1,2567 - questo è il suo vero valore, l'errore è uguale a zero! Di che tipo di rumore stiamo parlando?
Prival, Mathemat, ho paura di irritarmi di nuovo, ma devo dirlo di nuovo - non c'è praticamente nessun rumore nelle citazioni - questo è l'input.
Nessun fastidio, rsi, discussione normale. In linea di massima sono d'accordo con te: il rumore tra virgolette può essere visto solo all'interno di una certa interpretazione, un modello. Quando parlo di errori, di solito parlo di errori di previsione o di approssimazione.
Prival parla di errori di osservazione e di misurazione. Questo è abbastanza naturale per quanto riguarda la sua specialità. Ma si tratta di errori molto diversi. Tuttavia, questo punto di vista ha diritto alla vita, anche se secondo me è artificiale. Prival, senza offesa, ma come intendi praticamente implementare la tua frequenza di campionamento a 100 MHz, non ne ho ancora idea.
Vedo l'applicazione di metodi statistici all'elaborazione di serie finanziarie come utile solo nel contesto della valutazione di possibili rischi, niente di più.
Sì, e c'è anche una candela a cinque minuti sull'oire di 198 pips nel 2000. chi è più grande?
Prival, Mathemat, ho paura di irritarmi di nuovo, ma devo dirlo di nuovo - non c'è quasi nessun rumore nelle citazioni - questo è il segnale di ingresso.
Rsi, al contrario, sono molto felice che tu sia tornato alla discussione. Dopotutto, tu dici cose sensate, mi fai pensare. Mi scuso per me stesso e per gli altri, se ho detto (o ho detto) qualcosa di sbagliato. Avevo un matematico che mi dava questi comandi (i generali si rilassano :-)), mi faceva fare le flessioni :-). Lo vedrò vivo, lo abbraccerò come un fratello. E tu per me un pantalone giallo, ns in MT4, mago. Proprio come Klot.
Per quanto riguarda il rumore, anch'io ci penso sempre. Ho fatto quanto segue. Ho preso le quotazioni settimanali e ho iniziato ad analizzare tutti i componenti di questo flusso. Prima ho sottratto la tendenza, poi le fluttuazioni, tutto quello che ho potuto tirare fuori. E dopo ogni procedura, ha guardato i residui. Quando li ho selezionati tutti, c'era del rumore nei residui, ma non un rumore gaussiano. Qualche strano rumore +-1 pip e nient'altro, alcuni rari picchi di 2-5 pip e 1 gap era di 40 pip (stavo cercando soprattutto una settimana con un buon gap). Mi sono seduto e ci ho pensato e credo di aver trovato una spiegazione per questo rumore. Molto probabilmente si tratta di un rumore di misura, se si guardano le citazioni dal punto di vista dell'ADC (si tratta di rumore di quantizzazione e di campionamento) dovrebbero essere fisicamente lì se digitalizziamo un processo continuo. Quindi penso che tu possa avere ragione sul fatto che non c'è rumore - è un segnale puro. Ma c'è una sfumatura che mi preoccupa :-(.
Non c'è modo di fare 100MHz, non è possibile (altrimenti sarei già nello sweet spot :-)). L'unico modo per migliorare questa situazione, almeno un po', è fare come in un normale DC. Dobbiamo prendere il numero massimo di fornitori di quotazioni ed elaborare questo flusso da soli (e non costruire una candela, ma un'ellisse di probabilità costante). Dopo tutto, dobbiamo concludere le transazioni (Comprare e Vendere) in conformità con i dati forniti dalle società di intermediazione. Ma non dobbiamo usare solo i dati di questa società di intermediazione per prendere una decisione riguardante l'acquisto o la vendita; possiamo anche non usare affatto le quotazioni :-)
Per la quantità di moduli di deviazione. Se non mi sbaglio, con questo approccio la valutazione è parziale o insostenibile. Non ricordo esattamente, ho paura di sbagliare, ma qualcosa sul potere della stima. Anche se è possibile sceglierne uno non quadratico. Fondamentalmente qualsiasi, la cosa principale è determinare in quale direzione dal centro (l'osservatore ideale) gli errori sono più importanti, diciamo che in una direzione è un quadrato nell'altra un cubo. Questo è dalla teoria statistica del processo decisionale. (Il libro di Wald "Regole di decisione statistica", credo sia lì dentro). Se qualcuno ha bisogno di un libro posso pubblicarlo.
NorthernWind
Non capisco le limitazioni che stai chiedendo, per favore chiarisci la domanda.
Il modello deve essere rappresentato sotto forma di un sistema di equazioni differenziali stocastiche. E la condizione principale è che deve essere adeguato al processo che viene filtrato. Questi sono esattamente il tipo di vincoli che abbiamo.
Z.I. Mathemat voleva offendermi :-), non puoi aspettare. Quelli che rispetto, semplicemente non possono farlo. A meno che non mi stringa la mano e butti via il cognac (così a lungo e accuratamente conservato per lui), e allora penserò prima, forse ho fatto qualcosa di sbagliato. E poi sarò io a portare l'acqua :-)
Sono d'accordo che le cose vanno male nei punti di distacco e forse non c'è inerzia. E non c'è modo di sbarazzarsi di tutte le lacune (ho avanzato un'ipotesi che è dovuto alla discrepanza della frequenza di campionamento al processo analizzato - non sembra contraddire nulla). Ma le lacune non sono tutte le 24 ore di un giorno. L'analisi ACF mostra che il processo è correlato, c'è un tempo di correlazione e quindi il processo può essere previsto. Dopo tutto, è quasi un'analogia diretta con un processo fisico, un aeroplano non può girare istantaneamente, la massa interferisce, c'è inerzia, il processo può essere previsto perché è correlato. Senza questo e NS non funzionerebbe IHMO (ho letto qui che questo acronimo può essere interpretato in modi diversi, ho questo a mio modesto parere).
Ma che dire dei risultati positivi dei 'pianisti' e dei leader del campionato! Questo è esattamente quello che dicono sulla necessità di espandere il paradigma metodologico. Elementi di analisi tecnica (e forse anche fondamentale) dovrebbero essere introdotti nell'MTS, ma non direttamente e con vecchie ricette "classiche", ma con un filtraggio preliminare di modelli di lavoro basati sull'approccio bayesiano. È difficile far fronte a una tale quantità di informazioni "manualmente", ma qualcuno lo fa. La conclusione è quella di addestrare un robot.
I risultati sono incoraggianti e mi tengono le mani in alto (economisti che parlano di martingala e processo di Wiener). Non so se sto seguendo la vecchia ricetta "classica" (anche se ho letto libri sull'analisi del forex, non tutti, ma ce ne sono decine di buoni). Ho cercato tanto quanto non sono riuscito a trovare i risultati dell'applicazione del filtro Kalman all'analisi delle quotazioni. O sono assenti o, al contrario, quelli che sono riusciti ad attuarlo nascondono accuratamente i loro risultati. Perché è molto importante selezionare i modelli di lavoro utilizzando il metodo bayesiano. Altrimenti non funzionerà. Cerco di farlo manualmente - è difficile, ma è interessante. Non mi fido degli algoritmi, dove non so come vengono prese le decisioni. Non mi piacciono.
Il filtro di Kalman riesce molto raramente ad essere implementato nella vita reale. Può essere considerato un ideale, come la ben nota soluzione bayesiana, quando si sceglie la stima più potente in presenza di informazioni a priori e a posteriori.
Funziona così.
E io e Mathemat, così come alcuni altri, abbiamo visto questo rumore sui tic. Inoltre, sui ticks è chiaro che +-1 punti ha più probabilità del movimento inverso che la sua continuazione. Purtroppo, questa regolarità è all'interno dello spread. E non è alto.
Ma il fatto che sia apparso dopo l'elaborazione è interessante.