ランダムフロー理論とFOREX - ページ 14

新しいコメント
 
Yurixx:


まあ、私見ですが、これはあまりに硬直的な発言だと思います。実際、モデルの寿命について統計をとった研究はない。また、モデルを認識するために必要な情報量（＝ラグタイム）についてのデータもない。 これらのモデルを導入・活用している人たちでさえ、そうした調査を行わない、あるいは公表しないことを望んでいる。明らかに、ストラテジーに正のモがあれば、確率が均等化される前にモデルが認識されると考えられる。

そして、そのような戦略、ライブがあるのです。ルックアットベター 彼のEAは、ピボットポイントを 認識し、波のスタート地点でエントリーするという、私が実装したかったことを実際に行っています。そして、上にも下にも動きます。ここでは、予想と認識前がありますね。

...

そこで、メモリと演算サイクルタイムの両面から、リソースを明確に見積もる必要があります。そうでなければ、5〜10時間程度の計算サイクルが発生する可能性があります。では、どんなニュースなのか？数日から数週間放置プレイのみ。:-)


もちろん、これは仮説であり、統計学（このような主張には論拠となり得ない、なぜなら一例で反証が得られるから）ではなく、システム的考察、すなわち平衡論に基づくものである。しかし、ベターズアドバイザーも 論外で、観察時間が少ない。しかし、お金のない私たち（私たちの中には億万長者はほとんどいない）にとって、良いニュースがある。私たちの行動は、桁違いに市場に影響を与えないという事実が、このタスクを単純化している。ただし、私たちのモデルとクジラのモデルが一致した場合は別ですが......。）

計算量の問題は、クラスターを作ることで解決されると思いますが、レディ戦略の作業については、参加者の募集に問題はないかと思います。まあ、1台のパソコンで1つのフィルターを扱えればいいんですけどね。

 
lna01:


良い点としては、私たちの行動は市場に大きな影響を与えないので、タスクが単純化されることです。ただし、私たちのモデルがどこかのクジラのモデルと一致する場合を除く :)

計算量の問題はクラスターを立ち上げれば解決するので、参加者を募って既成の戦略に取り組むのも問題ないと思います。そして、1台のコンピュータで1つのフィルターを扱えることが望ましい。


私たちの行動は市場に何の影響も与えない」という事実が、「一桁違う」課題をどう単純化するのだろう。私には逆に思えるのです。もし、私たちの行動が（望ましい形で）市場に影響を与えるのであれば、問題は単純化されるだけでなく、解消されることさえあるのです。:-)そうすれば、ロボットも必要ないでしょう。

クラスタに関しては、私を怒らせましたね。私個人が関与しても、この状況は救われないと思います。地球上には80億人しかおらず、おそらくコンピューターはもうないでしょう。計算するフィルターが100～1000億個もあるのに、いったいどうやってクラスターを作るんだ？:-)))

 
Yurixx:
私は、その逆だと思います。もし私たちの行動が市場に影響を与えれば（しかも望ましい形で）、それは市場を単純化するだけでなく、問題としても解消されるでしょう。:-)そうすれば、ロボットも必要ないでしょう。

望ましい形で？私たちの行動が顕著にマーケットに影響を与え始めると、マーケットは私たち個人に対して働きかけ始めます。中央銀行や情報機関を含む。ソロスは一回限りの行動で成功した時代で、世界中のお金を汲み取れるモデルがいいんですか？まあ、うまくいったとしましょう。そして、その後にお金を必要とするのは誰なのか。:)

純粋に技術的には、すべての定数が変数に変わり始めるだけです。

参加者が10億人になれば、フィードバックなしという近似値も通用しなくなる。そして、100は決して実現不可能な数字ではありません。

 

Калмановская фильтрация

はじめに

現在、適応フィルタは、入力される新しい情報を使って、以前に行った信号の推定を継続的に補正するために広く使われている（ラジオロケーションのターゲット追跡、自動制御システムなど）。特に注目されるのは、カルマンフィルタと呼ばれる再帰的適応フィルタである。

これらのフィルタは、自動調節制御システムの制御ループに広く使用されています。これは、状態空間という具体的な用語でその動作を説明することからもわかるように、その起源はここにある。

パラメータ推定という作業

統計的決定理論の実用上重要な課題の一つに、システムの状態ベクトルやパラメータを評価する課題があり、次のように定式化されている。 直接測定できないベクトル・パラメータXの 値を評価する必要があるとする。その代わりに、Xに 依存する別のパラメータZを 測定する。 推定は、「Zを 知ることによってXについて 何が言えるか」という問いに答えることからなる。一般に、ベクトルXを 最適に推定する手順は、推定に採用する品質基準によって異なる。例えば、パラメータ推定タスクに対するベイズアプローチは、推定パラメータの確率的特性に関する完全なa priori情報を必要とするが、これはしばしば不可能である。このような場合、先験的な情報がより少ない最小二乗法（LSM）が使用される。観測ベクトルZと 推定ベクトルXが 線形モデルで結ばれ、推定パラメータと相関のない干渉Vが 存在する場合のLOCの応用を考えてみよう。

(1)

ここで、Hは 観測値と推定パラメータの関係を記述する変換行列である。

誤差の二乗を最小にする推定値Xは 次のように書かれる。

(2)

擾乱Vを 無相関とすると、この場合RV 行列は単に単位行列となり、推定値の式はより単純になる。

(3)

フィルタリングの問題

固定値を持つパラメータ推定問題とは異なり、フィルタリング問題ではプロセスを評価する必要がある。つまり、干渉によって歪んだ時間変動する信号の現在の推定値を見つける必要があり、そのため直接測定することは不可能である。一般に、フィルタリングアルゴリズムの種類は、信号と干渉の統計的性質に依存します。ここで、有用な信号は時間のゆっくりとした関数であり、干渉は無相関のノイズであると仮定する。信号と干渉の確率特性に関する先験的な情報がないため、ここでも最小二乗法を用いることにする。

基本的には、信号発生過程の自己回帰モデルに基づくパラメトリックな推定処理を実装している。

式3は、行列Hと 観測列ベクトルZを 記入することで、プログラム的に簡単に実現できる。このようなフィルタは、現在の推定値Xpocを得るために最後のk個の観測値を使用するので、有限記憶フィルタと 呼ばれる。新しい観測サイクルごとに、新しい観測が現在の観測セットに追加され、古いものは破棄される。このように推定値を得るプロセスをスライディングウィンドウと 呼ぶ。

メモリ増設機能付きフィルター

有限なメモリを持つフィルターには、1つの大きな欠点があります。それは、新しい観測が行われるたびに、保存されているすべてのデータの完全な再計算が再度行われなければならないことです。また、推定値の計算は、最初のk回の観測の結果が蓄積されて初めて開始される。つまり、このフィルターは過渡的な処理の時間が長いのです。この欠点を解決するためには、永久記憶型フィルタから成長型フィルタに変更する必要があります。このようなフィルタでは、推定に用いる観測値の数は、現在の観測値の数nと一致する必要がある。これにより、推定ベクトルXの成分数と同じ数の観測値から推定値を得ることができる。そして、これは採用するモデルの次数、つまりテイラー級数の項をいくつモデルに使うかによって決まる。同時に、nが大きくなると、フィルタの平滑化特性が向上し、すなわち推定精度が向上する。しかし、この方法を直接実行することは、計算コストの上昇につながります。そのため、メモリが増加するフィルタはリカレントフィルタとして実装される。

成長メモリを持つフィルタには一つ重要な特徴がある。 式6を見ると、最終的な推定値は予測された推定ベクトルと補正項の和になる。この補正は、nが小さいときには大きく、nが大きくなるにつれて小さくなり、.Nではゼロになる傾向がある。つまり、nが大きくなるにつれて、フィルタの平滑化特性が大きくなり、フィルタに内在するモデルが支配的になり始めるのである。しかし、実信号は別々の領域でしかモデルに当てはまらないため、予測精度が悪化する。それに対抗するために、あるnから補正項をさらに小さくすることを禁止している。これはフィルタの帯域幅の変化に相当し、nが小さいとフィルタの幅が広くなり（慣性が小さくなり）、nが大きいとより慣性が大きくなることを意味します。



図1と図2を比較すると、最初の図では、フィルタのメモリが大きく、平滑化がうまくいっているが、帯域が狭いため、推定軌道が実際の軌道より遅れていることがわかる。2番目の図では、フィルタのメモリが小さく、滑らかさに欠けるが、実際の軌道をよりよく追跡している。

この枝を最初から読んで、上に抜粋した記事の内容に目を通すと、カルマンフィルターを使ったBPの処理方法は、分析したBPに決定論的な傾向があるという先験的な記述に基づいていることがわかります。
定義してみましょう。
1.期待値がゼロで、ゼロまたは符号変量 相関を持つ正規分布の確率変数があるとする。それを積分することで、時系列のアナログが得られる。このようなトレンドをストキャスティックと 呼びます。このような長い時間間隔の系列で利益を上げることができるTSを構築することは原理的に不可能であることから、カジュアルなシステムの助けを借りて確率的トレンドを検出することは不可能であると結論付けられる。
2.期待値ゼロ、正の 相関を持つ正規分布の確率変数があるとする。
このようなトレンドを決定論的 トレンドと呼びましょう。例えば、周期の異なる2つの移動平均の 交差は、平滑化された時系列の微分への近似に他なりません。微分が0より大きいと関数が増加し、0より小さいと関数が減少するという、数学の要求通りに働くことは明らかである。しかし、それが正のFACを持つシリーズにのみ機能し、すべてのTFのすべての通貨シリーズは負のFACを持っていることを知っている人はごくわずかです。そして、その結果、その方法が市場で通用しなかったり、通用しても偶然だったり...。
時系列解析の主な問題点
 時系列と無作為標本を形成する一連のオブザベーションの主な違いは，次のとおりである．
- 第一に、無作為標本の要素とは異なり、時系列の構成要素は独立ではない。
- 第二に、時系列の構成要素は必ずしも均等に分布しているとは限らない。

一般に、時系列の値が形成される要因は4つに分類される。
1.調べた属性の全体的な（長期的な）傾向を形成しているもの。通常、このトレンドは非ランダム関数（引数は時間）で記述され、通常は単調である。この関数はトレンド関数または単にトレンドと 呼ばれる。
2.季節的なもので、1年のうち特定の時期に分析した属性に周期的な変動を形成するもの。この関数は周期的（「季節」の倍数周期）であるため、その解析式には高調波（三角関数）が含まれ、その周期性は通常、課題の本質によって決定される。
3.経済的または人口統計的な長期的サイクル（コンドラチエフ波、人口統計的「ピット」等）によって引き起こされる、分析された属性の周期的（接合的）な形成変化。
4.時系列値の形成に与える影響こそが、時系列要素の確率的性質を決定し、それゆえメンバーを確率変数に対する観測として解釈する必要があるのである。ランダムな要因の影響を受けた結果をランダム変数（「残差」「誤差」）で表すことにする。

もちろん、時系列の値が形成される過程において、4種類の要因がすべて同時に関与している必要はない。ある時系列の値の形成に、ある種の要因が関与しているか否かについての結論は、問題の本質的な部分の分析と、調査された時系列の特別な統計的分析の両方に基づくことができます。ただし、いずれの場合もランダムな要因の参加を仮定している。つまり、一般論として、（要因の影響の加法的構造スキームを持つ）データモデルは、すべてまたは一部の要因の和のように見えるのである。
FX型は決定論的なトレンドを含まず、周期的な要素を持たず、季節的な要素を持たず...というように、BPをタイプ分けする基準がある。ということでよろしいでしょうか？
では、プライベート さんに質問です。多変量で超高性能なカルマンフィルターで何を検出するのでしょうか？



 

フィルタは、必ずしも決定論的でなくとも、任意の処理を設定することができる。1フィルターを（1.長期的、・・・）2フィルターを（2.季節的、・・・）3フィルターを（3.周期的・・・）4フィルターを（4.ランダム（不規則）、・・・）等に設定することが可能です。

引用符の流れや飛行機の動きの分析・判断に根本的な違いはないと思います。航空機は、ダイブ、ケーバ、スネーク、コブラ、...を行うことができます。...いつでもどんな操縦でも（パイロットの思いのままに）。そして、ミサイルが発射されたことを知ると、私を信じて、彼はフライパンの中で地獄のように回転している。

カルマンフィルターの 課題（全てのケースに対応する1つの!1 決定 - 操縦の種類とその開始時刻。2 飛行機がある時間帯にどこにいるかを予測し、最も効果的に攻撃する（利益を得る :-)) 。

そのため、1つのフィルターではなく、それぞれのモデル（フラット、トレンド）に合わせて設定された複数のフィルターを構築する必要があります。

最もシンプルな方法は、トレンドとフラットに対応するフィルターを1つずつ用意することです。カルマンフィルターのアルゴリズムには、今どのフィルターが良いかを判断できる手順があります。

横ばいではうまくいくがトレンドでは失敗するシステム、逆にトレンドではうまくいくが横ばいでは失敗するシステムがあることに異論がないことを祈ります。カルマンフィルターは、切り替えのタイミングを教えてくれるわけです。

追伸：カルマンフィルターを作り、様々な動作パターンを構築し、それを元にTSを実装することは、まだまだ挑戦していきたいと思います。カルマンフィルターは、標準的な指標にはないユニークな特徴を持っており、それは私がフラット、トレンド、ギャップの3つのフィルターを構築すると言うことを予測することができます。ある区間では、どのフィルターも機能しないので、その区間を解析して4番目のフィルターを作る、といった具合です。100から+100（パーセプター）までの間抜けなサーチではなく、システムのトレーニングに意味があるのです。
 

toPrival

帝国主義のハゲタカに対する答えとして、引用に対する戦略的 防衛 構想を打ち立てて いないでしょうか？:о)))

 
Prival:
追伸：やはりカルマンフィルターを作り、様々な動作パターンを構築し、それを元にTSを実装してみようと思います。例えば、Flat、Trend、Gapの3つのフィルターを作成します。ある区間では、どのフィルターも機能しないので、その区間を解析して4番目のフィルターを作る、といった具合です。100から+100（パーセプター）までの間抜けな探し方ではなく、感覚的に学習していくことができる。


おすすめは、「あまり頑張りすぎると、手を壊すかもしれない」ということ。最初は、フラットまたはトレンドのフィルターを1つだけ作成します。やっているうちに、FXのことがいろいろわかってきて、次に進みやすくなります。特に重要なのは、「本当のトレーダーは利益を上げることを目的としていない」ということを理解することです。 いかなる状況下でも.誰もが自分のために非常に限られたリストを見つけ、その特定のパターンのみに取り組む。

もし、統計的に、例えば1日に1回、それほど稀ではない、たった1つの儲かる状況を見分けるフィルターを作ることに成功すれば、ここにいる誰もが夢見るコーヌコピアとなるのです。

 

私は、直交座標系で軌道をモデル化し、フィルタリングする方が良いと確信していますが、それは関係ありません）。しかし、空中の標的のドップラー軌道と値動きが視覚的に似ているのは、プロセスの性質が全く異なるので、私にはさりげなく、注目に値しないように思われる。航空機の力学的特性と引用文の特性は、残念ながらほとんど共通点がない。ここのスレッドで値動きを飛行機ではなくハエの飛行経路に例えたものがありましたが。 しかし、ハエでも雁木などは無理でしょう。

同時に、価格の線形回帰を シグナルとして定義すれば、1年間で数百ピップス、あるいは線形回帰の係数がゼロに等しければ、ゼロさえも「キャッチ」することができます。確率的共振についても同じことが言える。振幅の大きい高周波を犠牲にして、遅い傾向を検出することはあっても、そこから何を得ることができるのだろうか。とはいえ、わずか2〜3日で数桁の値動きが発生することもある。そして、そのような動きは、ほとんどすべてのペアで1年に数十回あるかもしれません。また、小さなタイムフレームでは、1年間に半値ほどの動きが数百回、20pipsの動きが数千回あることもあります。そこで、「信号とノイズのどちらが必要なのか？

私は折に触れて、「価格をシグナルとノイズに分けることに意味はない」というテーゼをフォーラムで繰り返しています。超複雑な非線形力学系における非定常過程を記述する時系列である。これは、何百万もの主要なパラメータの一般化された尺度として観測されるスカラーである。構成要素に分割する必要はない。したがって、従来の濾過方法（このフォーラムですでに何度も議論されているようです）を適用することは、この課題に対して適切ではありません。

適切な方法はあるのか？はい、あります。チャンピオンシップの前夜、klotさんや他のフォーラムの参加者に勧められて、人工知能に興味を持ちました。この用語は、残念ながら反感を買い、このサイトの一部の出版物では、私の目には軽んじられているようにさえ見えたので、長い間、「新奇な説」と肩透かしを食らっていました。しかし--いや、反広告も広告だ。ある段階ではパーセプトロンの宣伝も、このテーマに注目させるというプラスの役割を果たしたのだ。しかし、文献を読んでみると、私が初めて聞いた30年前などと比べると、いわゆる「弱いAI」はどこまで進んでいるのかがわかりました。もっと言えば、自分がどれだけ遅れているかということです。

今回はシンプルなグリッドを実装しましたが、他のExpert Advisorの例や、特に現在のリーダーであるBetterの例を見ると、良い方向性であることがわかりますね。

しかし、AIはあなたの職業活動にも大いに役立つと思いますし、より早く収益性の高いTSを構築できると確信しています。

 

皆さん、アドバイスさせてください。あなたは、私のTSを構築するために他の方法を提案しています（AIやニューラルネットワークの例を挙げていますが、私から見るとあなたはそれらを完全に理解しているわけではありません）。あるいは、私がFXを始めたばかりだと思っているのか（最低スプレッドが10～15pipsで、それが幸せだと思えた時代を覚えているのに）、AIやニューラルネットワーク、どこから足が伸びるのかが全く分からないのか:-)。

では、「シンプルな学習済みネットワーク」を作ると、私が何をしたいのか、あなたが何をするのかを理解する手助けをしたいと思います。

よりよく理解するために、私はあなたにリンクを与え、それをもう一度読んで、私が以下に書いていることと比較します（残念ながら、私はklotの文を見つけることができません、多分それはそこにも書いてあります）。

儲かる売買戦略の見つけ方（'How to find the profitable trading strategy')

異常な自動売買（「異常な自動売買」）について

ここで、「対象をロングとショートに分け、テクニカル分析の指標やオシレーターの値を符号とすれば、あとは平面の方程式を求め、それを識別に利用しようとするだけ である」という言葉を引用します。問題提起は明確です。

これは純粋な形の認識理論であり、軍隊はこれを完璧に、そして長い間使っている（階級の例（「友軍-外人」、（戦闘機-空母など））。そして、ここは4クラス（BMP-APC-ダミーAPC-ダミーAPC）よりも複雑な作業で、ここは一本道でなんとかしよう :-) と、すべてを4クラスに分割してしまう。

ニューラルネットワーク、悪名高いAIは、この理論から生まれただけで、人々は本質的に怠惰であり、再びシステムを作成したい引用「MT4取引プラットフォームを使用して成功し、快適に取引し、そうすることで細心の市場分析で、あまりにも自分自身に負担をかけないことがいかに現実的で あるか？多くのクラスや特徴を認識するためにコンピュータを訓練する ことは非常に困難であり、そのためにニューラルネットワーク（NS）が作られた。NSはある程度の成功を収めたが、これは万能ではなく、そこにインテレクトはない。これらのタスクで最も重要なことは、クラスへの分割と、これらのクラスを認識するための特徴の選択である。

この資料を読んで、私は、著者が自分たちのやっていることを理解していないか、あるいは、それをよく知っていてミスリードしているかのどちらかだという印象を持った。以下は、メインコードのサンプルです。

double perceptron() 
  {
   double w1 = x1 - 100.0;
   double w2 = x2 - 100.0;
   double w3 = x3 - 100.0;
   double w4 = x4 - 100.0;
   double a1 = iAC(Symbol(), 0, 0);
   double a2 = iAC(Symbol(), 0, 7);
   double a3 = iAC(Symbol(), 0, 14);
   double a4 = iAC(Symbol(), 0, 21);
   return (w1 * a1 + w2 * a2 + w3 * a3 + w4 * a4);
  }

私は記号（テクニカル指標加速/減速（AC））として使用して、 "友人または敵 "を決定する戦闘アルゴリズムを作成した場合、壁に（私は考慮にオブジェクトの加速度を取る場合でも、7、14と21分前）少しになります。本質を変えるものではありません。あと、注意してほしいのは、あくまでクラスに分けるという作業の話であって、分けた後にどうするかは言っていないことです。上記の資料の著者、束ですべてを混ぜる（すぐに売買の戦いに）。

ここで、このスレッドに掲載した資料に戻り、TCのあるべき姿を示してみたいと思います（当然、私の視点です）。

1.ここに写真があります。考えてみてください。もしかしたら、あなたが作る「メッシュ」を改善する方法がわかるかもしれません。これは絵に描いたようなワルドフスキー検出器です（YES-NOの論理、数ページ前にお話ししました）。

2.認識の兆候を明確にする（カルマンフィルターで構築した "振る舞い "のモデルを使いたい）。何を入れたかわからないが、少なくとも1つの条件特徴を観察して、相関がない（強く相関している）ことが必要である。

入力された引用符のストリームを分割するクラスを決定します（「フラットトレンド」とします）。とだけ流れの認識が戦いに身を投げた後、すなわち、フラット、他の1でうまく機能する取引システムを選択 - トレンドで。

P.S. 私にとっては当たり前のことを言いながら、また半日損してしまいましたが、目標は未達成です :-(実際にTSの作成に協力してくれる人がいないんです。多分、このスレッド地獄を削除します。

 

建設的な批判は、設計段階での当事者間の合意や可能な限りの戦略の議論と同じくらい価値があると思います。時間と手間を省くことができる。同じチームであり、同じ目標を持っているのですから。

航空機には質量があり、それゆえ、あらゆる宙返りを考慮に入れて、航空機の空間での動きを記述する曲線が滑らかになるような時間軸の分割の離散性を選択することが常に可能であることは、プライバルの 皆さんも既に何度もお気づきのことでしょう。この曲線に加法的ランダム干渉を重ねても絵は変わらず、軌跡を再構築して予測することができる。 これはLAの振る舞いをVR価格型と区別する基本的なポイントだと考えている。干渉をはらんだ価格系列に滑らかな曲線はない--そう確実に言い切れる評価基準がある。

これは私の側からの批判であり、あなたは今のところ、それに対して建設的な回答をしていません。

1...789101112131415161718192021...85
新しいコメント