Costruire un sistema di trading usando filtri digitali passa-basso - pagina 20
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
grasn
:-) beh, per dispetto, ti mostrerò anche il filtro Kalman. Si basa sull'analisi ACF. La finestra è minuti la scorsa settimana 7200. L'input è solo una serie di prezzi, nessuna ottimizzazione. Grazie per il link.
La metodologia è la seguente. Analisi dell'ACF - tiro fuori i parametri ACF nel modello e li metto nel filtro di Kalman, dà la previsione e la stima attuale. Ho scritto un programma, posso elaborare i prezzi in entrata in Matcadet in tempo reale e gestire MT, se necessario posso condividere.
Voglio capire perché queste linee sono migliori del MA "intelligente"?
È quello che mi chiedo...
Per esempio, qui: http://edu.secna.ru/main/review/2001/n3/MONA2001/Morozova.pdf - questo lavoro è usato per giustificare la stazionarietà dei risultati di alcuni tipi di trasformazioni wavelet di serie di prezzi. In effetti, è quello di cui avevi bisogno.
a Neutron
Forse puoi spiegarmi brevemente cosa prevede il filtro per te e Prival? Grazie in anticipo. Hai davvero fatto l'AF?
Felice di aiutare. Avete per caso un algoritmo dettagliato per la sua implementazione? :о)
Non so cosa prevede il filtro in Prival, ma il mio non prevede nulla :-(
Non capisco cosa sia AF... Guarda tu stesso, ho eseguito la funzione Predict sulla VR liscia con SWF e ho ottenuto una VR meno liscia con SWF inferiore, ma per la qualità dello smoothing non è meglio della stessa LPF con finestra di mediazione più piccola, e su grandi orizzonti è notevolmente più debole di quest'ultima (vedi avishka). Cioè il predittore è respinto nel suo lavoro dalla serie levigata e si "sgretola" man mano che l'orizzonte si avvicina al BP iniziale, ma il LPF, al contrario, si respinge dal BP iniziale e si allontana gradualmente da esso diventando più liscio... Questo risultato è prevedibile, infatti non si può ottenere molta informazione dalla BP anche dopo averla lisciata in anticipo - non si può imbrogliare la natura! Anche se c'era una foto sul forum con una dimostrazione di LPF basato su NS, non è stato osservato alcun PF (quasi) con un'eccellente qualità di smoothing! Se non è una stronzata, abbiamo qualcosa su cui lavorare.
P.S. Non ho un algoritmo per la funzione Predict.
Ma cosa succede se non si aumenta l'orizzonte di previsione, ma si lascia prevedere sul risultato ottenuto, cioè su una sottile linea nera?
Quindi stai suggerendo di lasciare che il predittore passi sopra il risultato della sua stessa predizione? Dopo tutto, la sottile linea nera, è la media del predittore (la spessa linea blu) con un orizzonte sempre crescente...
Spiegare, per favore.
Ma cosa succede se non si aumenta l'orizzonte di previsione ma si lascia il predittore sul risultato, cioè la linea nera sottile?
Quindi stai suggerendo che il predittore dovrebbe essere messo al corrente del risultato della sua stessa previsione? Dopo tutto, la sottile linea nera, è la media delle previsioni (la spessa linea blu) con un orizzonte sempre maggiore...
Esattamente. E perché no? Mi rendo conto, naturalmente, che il risultato di queste azioni, eseguite magari più volte, non può alla fine produrre una gamma di prezzi - non ci sono miracoli. Ma è interessante vedere come funziona questo algoritmo. :-) Funziona su dati passati, non guarda al futuro?
Mathemat, un regalo per voi - J. Bendat, A. Pearsol, "Applied Random Data Analysis" (http://dsp-book.narod.ru/bendat.djv). Gli autori danno una descrizione ed esempi dell'uso del metodo di inversione per controllare la stazionarietà di un processo casuale. Non sono entrato nei dettagli e nel rigore del metodo stesso, ma superficialmente è credibile. Credo che tu debba scavare in questa direzione.
Per esempio, qui: http://edu.secna.ru/main/review/2001/n3/MONA2001/Morozova.pdf - questo lavoro è usato per giustificare la stazionarietà dei risultati di alcuni tipi di trasformazioni wavelet di serie di prezzi. In effetti, è quello di cui avevi bisogno.
Grazie mille!!!
Mathemat, un regalo per voi - J. Bendat, A. Pearsol, "Applied Random Data Analysis" (http://dsp-book.narod.ru/bendat.djv). Gli autori danno una descrizione ed esempi dell'uso del metodo di inversione per controllare la stazionarietà di un processo casuale. Non sono entrato nei dettagli e nel rigore del metodo stesso, ma superficialmente è credibile. Credo che tu debba scavare in questa direzione.
Per esempio, qui: http://edu.secna.ru/main/review/2001/n3/MONA2001/Morozova.pdf - questo lavoro è usato per giustificare la stazionarietà dei risultati di alcuni tipi di trasformazioni wavelet di serie di prezzi. In effetti, è quello di cui avevi bisogno.
grazie sito prezioso, e questo è grande http://dsp-book.narod.ru/KM.djvu
Mathemat, una dispensa per voi - J. Bendat, A. Pearsol, "Applied Random Data Analysis" (http://dsp-book.narod.ru/bendat.djv). Gli autori danno una descrizione ed esempi dell'uso del metodo di inversione per controllare la stazionarietà di un processo casuale. Non sono entrato nei dettagli e nel rigore del metodo stesso, ma superficialmente è credibile. Credo che tu debba scavare in questa direzione.
Per esempio, qui: http://edu.secna.ru/main/review/2001/n3/MONA2001/Morozova.pdf - questo lavoro è usato per giustificare la stazionarietà dei risultati di alcuni tipi di trasformazioni wavelet di serie di prezzi. In effetti, è quello di cui avevi bisogno.
grazie sito prezioso, e questo è grande a tutti http://dsp-book.narod.ru/KM.djvu
wow Si scopre che tutto è lì Resta da applicare...
Capisco, naturalmente, che il risultato di queste azioni, eseguite magari più volte, non può alla fine dare un numero di prezzi - i miracoli non accadono. Ma è interessante vedere come funziona questo algoritmo. :-) Lavora su dati passati, non guarda al futuro.
Sì, funziona solo su dati passati.
La cosa interessante è che un risultato di predizione simile usando la funzione Predict può essere ottenuto senza essere furbo - semplicemente decomponendo la BP LPF smussata nel quartiere sinistro di ogni punto (in modo da non guardare nel "futuro") in una serie regolare di Taylor (RT) e poi estrapolando al numero richiesto di passi avanti. Potresti trovarlo interessante, grasn - invece di scavare l'algoritmo della funzione costruita in Matcad, prendi il PT e gioca con esso, taglialo, vedi a cosa porta...
In fig. i punti rossi sono le serie dei prezzi, la linea rossa è la media mobile, la linea blu è la RT, la linea nera è il Predict. L'orizzonte di previsione è lo stesso ed è uguale a 5 campioni. Possiamo vedere che il comportamento degli indicatori di previsione è quasi lo stesso, il loro comportamento quando si aumenta l'orizzonte fino al valore di VLFF può essere visto nell'animazione allegata. Purtroppo, entrambi gli strumenti "crollano" quando ci si avvicina al limite di previsione, che coincide sempre con la FZ del muving utilizzato! Sembra che ci siano due mappature reciproche: lo smussamento per integrazione e il recupero dei dati grezzi da essi, per estrapolazione in un modo o nell'altro. Ma, in linea di principio, non possiamo anticipare (prevedere) il comportamento dei BP del tipo prezzo, perché non ci sono (o sono molto poche) le informazioni necessarie nella serie lisciata per questo scopo. A proposito, questi predittori conducono perfettamente la serie di generazione, permettendoci di sperare nella possibilità potenziale di creare l'indicatore leader, ma è possibile fino a quando l'ampiezza della componente di rumore supera il segnale utile.