I conoscitori di Fourier... - pagina 9
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
Sono quelli che non applicano Fourier).
la curva in rosso nell'immagine in basso è la trasformata di Fourier e un paio di altre funzioni...
il verde è il dato grezzo...
Il processo della trasformata di Fourier richiede una selezione del periodo per ottenere un processo stabile al punto di partenza time[0]...
La trasformata di Fourier non ha più effetto su questo processo...
Cosa succede se vai oltre con il tuo metodo e decomponi il residuo tra la linea rossa e quella verde nello stesso modo?
Credo che sia il nostro caso.
https://www.mql5.com/go?link=http://dxdy.ru/topic54592.html
e mnc, e mmm potrebbe essere più appropriato sostituire con https://ru.wikipedia.org/wiki/Метод_максимального_правдоподобия
che sta pensando a questo.
Credo che sia il nostro caso.
https://www.mql5.com/go?link=http://dxdy.ru/topic54592.html
e mnc, e mmm potrebbe essere più appropriato sostituire con https://ru.wikipedia.org/wiki/Метод_максимального_правдоподобия
Te lo dico in confidenza, MNC e MNM sono casi speciali di MMP.
Aggiungo, sempre in confidenza, che la LPI segue dalla LMP sotto l'ipotesi che l'errore sia gaussiano, mentre la CMM segue dalla LMP sotto l'ipotesi che l'errore sia di Laplace. Quindi, abbiamo un problema di modellazione lineare:
x[n] = SOMMA( a[i]*f[i][n] ) + e[n], n=1...N
o
x[n] = y[n] + e[n], dove y[n] = SOMMA( a[i]*f[i][n] ), n=1...N
dove x[] sono i dati di input, a[] sono i coefficienti, f[][] sono le funzioni di regressione ed e[] è l'errore del modello. Per esempio, se f[i][n] = exp(j*2*pi*i*n/N), questa formula dà una serie di Fourier. Se assumiamo che l'errore e[] sia gaussiano, cioè P(e) ~ exp(-e^2/2/s^2), allora MMP porta a MNC, cioè alla ricerca dei coefficienti di a[] minimizzando la somma dei quadrati dell'errore:
Obj Func = SUM(e[n]^2) = SUM( (x[n] - y[n])^2 ).
Se assumiamo che l'errore e[] sia Laplaceo, cioè P(e) ~ exp(-|e|/s), allora MMM porta a MNM, cioè a trovare i coefficienti di a[] minimizzando la somma dei moduli di errore:
Obj Func = SUM(|e[n]|) = SUM( |x[n] - y[n]| ).
Più in generale, l'errore può essere descritto dalla distribuzione super-gaussiana P(e) ~ exp(-e^q). Perché tutti scelgono la distribuzione gaussiana? Perché l'ANC del modello lineare può essere facilmente risolto differenziando Obj Func ed equiparando il risultato a zero. È da qui che proviene il metodo di espansione in serie di Fourier. Provate a differenziare SUM( |x[n] - y[n]| ).
Quindi quale distribuzione degli errori è corretta? Dipende dalla natura del processo che stiamo modellando con il nostro modello lineare. Se siete sicuri che.
(1) i prezzi di scambio sono descritti da un modello lineare con seni e coseni, e
(2) l'errore del modello dovrebbe obbedire alla distribuzione di Laplace,
allora vai avanti e minimizza SUM( |x[n] - y[n]| ). Non dimenticate di inviare la domanda al Premio Fields nel processo.
Non dimenticate di inviare una domanda per il Premio Fields quando lo fate.
La matematica è il linguaggio della scienza. Non è direttamente collegato ai fatti.
Ma i fatti possono a volte essere descritti molto accuratamente nel linguaggio della matematica e chiamati, diciamo, fisica.
In breve si scopre che la fisica può sempre essere descritta attraverso la matematica, ma la matematica non può sempre essere spiegata dalla fisica, giusto? Se è così, allora la matematica, come regina delle scienze, ha ancora una volta punito la mente razionale)))
Quale coscienza razionale? Scrivere le onde sinusoidali nei prezzi? O farlo tramite MNM? E qual è la fisica coinvolta? Capire che qualsiasi N funzioni ortogonali possono essere scritte in una serie di N quantità, non solo seni e coseni come in Fourier. Poi pensate al perché sono i seni e i coseni ad avere un senso fisico per modellare i prezzi di mercato?