그래서 우리는 무엇을 가지고 있습니까? 소음이 있습니다. 매우 강합니다. 변동성이 있습니다. 약한 규칙적인 신호가 있습니다(거의 주기적이지만 확실히 있음). 일반 신호의 약점은 강한 추세에도 불구하고 변동성 자체에 비해 매우 낮은 수익률로 확인됩니다. 나는 이미 예를 들어 이러한 값을 인용한 적이 있습니다. 유로 일간 차트의 상승 추세는 6년 동안 지속되어 왔으며 이는 약 1600일간 바입니다. 이 기간 동안 유로는 6,000포인트를 넘었습니다. 이는 기대수익률이 4점 미만임을 의미합니다(일반 약한 영향). 동시에 일간 수익률의 변동성은 수십포인트(노이즈) 정도다.
정상 상태 - 반전 또는 수정 중에 정상에서 평평합니다. 추세는 한 플랫에서 다음 플랫으로의 불안정한 전환 상태입니다. 추세 이전에 일반 신호는 플랫 노이즈에 의해 증폭되고 레벨에서 레벨로의 날카롭고 종종 즉각적인 점프로 나타납니다.
여기에서 실용적인 것을 얻는 방법은 무엇입니까?
PS 음, 예를 들어 규칙적인 신호를 얻기 위해 변동성에서 임의 구성 요소(순수한 노이즈)만 추출하는 방법은 무엇입니까? 변동성은 반지속적 프로세스로 알려져 있습니다. 신호가 추세 중에 증폭되기 때문에 단순히 상수를 빼면 작동하지 않습니다. 디트렌드? 흥미롭게도 증폭 요인은 무엇입니까?
안녕하세요.
나는 오랫동안 내 시스템에서 공진을 사용해 왔습니다. 특히 흥미로운 옵션을 공개하지 않고 다음과 같이 말할 수 있습니다. 추세 지표를 사용하십시오.
동일한 지표의 2개 기간으로 다시 만들고 시장의 고점과 저점에서 공명을 얻으십시오.
결정하기 위해 명확하게 배워야 할 유일한 것은 리바운드 중에 포즈를 입력하는 순간입니다. 그러한 지표 중 하나의 스크린샷을 첨부합니다.
칠면조의 한 사본은 다른 사본보다 주기가 더 길기 때문에 명확한 공명을 얻으려면 쌍과 TF를 조정해야 한다고 생각합니다.
값 X의 정규 분포 시퀀스가 있다고 가정합니다. 시퀀스의 구성원 수는 N=1000000이고 평균 값은 A이고 비율은 S입니다. X 요소의 값 집합은 다음과 같습니다. 위에서 경계, 즉 모든 X는 구간 [0,Xmax]에 속합니다. 시퀀스의 M=100 멤버 샘플을 가져와 평균 XM을 계산합니다. 원래 시퀀스의 M 요소를 포함하는 모든 연속 샘플에서 새로운 시퀀스 Y = {XM}을 형성합니다. Y 값의 집합도 제한적임이 분명합니다.
상한과 하한을 찾는 방법, 즉 값 범위 [Ymin,Ymax] ?
당연히 저는 수학적 통계를 통한 분석적 평가에 관심이 있습니다. 이마를 세는 것은 어렵지 않지만 흥미롭지 않습니다. N과 M의 비율과 원래 시퀀스의 통계적 특성에 대한 이 간격의 경계 의존성을 얻는 것은 흥미로웠습니다.
X가 확률 변수이면 Y는 X와 동일한 분포를 갖는 M개의 독립 확률 변수의 합입니다. 따라서 X가 정규이면 Y도 마찬가지이며 분산 S/sqrt(M)이 있습니다. 최대값과 최소값에 대한 질문은 시리즈의 특정 구현(즉, 정면으로 계산)에 대해서만 제기할 수 있으며 임의 구현의 경우 확률에 대해서만 이야기할 수 있습니다.
추신: 앞서 말한 내용이 제가 수학 전문가라고 생각한다는 의미는 아닙니다. 통계 :)
나는 또한 전문가 인 척하지 않지만 NSV 합계의 분산 = 분산의 합계입니다. 따라서 Dsum=M*D => Ssum=sqrt(M)*S(Ssum은 분포 Y의 시그마, S는 분포 X의 시그마).
확률 변수의 합에 대한 수학적 기대값은 수학적 기대값의 합과 같습니다. Asum=M*A
임의의 간격에서 SW Y를 찾을 확률은 도움을 받아 찾을 수 있습니다. Laplace 함수의 값 테이블. 예를 들어 결과적으로 3 시그마에서는 0.9973의 확률이 됩니다. 저것들. SV는 -3*Ssum+Asum<Y<3*Ssum+Asum => -3*S*sqrt(M)+A*M<Y<3*S*sqrt(M) 범위의 확률로 유지됩니다. +A *M
예를 들어. 분포 함수가 알려진 경우 임의의 X0에 대해 값이 >=X0인 요소 시퀀스에서 발생할 확률 P가 알려져 있습니다. 시퀀스에 N개의 요소가 포함되어 있으면 X>=X0 조건을 충족하는 시퀀스의 총 요소 수는 P*N과 같습니다. 이 값이 1보다 작으면, 즉 0개이면 통계적으로 Xmax<X0입니다. 그러나 이것은 물론 >=X0 요소가 실제로 그러한 시퀀스에 나타날 수 없다는 것을 의미하지는 않습니다.
... 그럼 체크메이트. X>=X0 조건을 충족하는 시퀀스의 요소 수에 대한 기대치 는 P*N과 같습니다. 이 값은 항상 1보다 작습니다(물론 분포 함수가 인위적으로 잘려지지 않는 한). 숫자 >= X0 이 길이 N 의 시퀀스에 나타나지 않을 확률은 이론적으로 (1-P)^N 과 같습니다.
추신 "이 값은 항상 1보다 작습니다(물론 분포 함수가 인위적으로 차단되지 않는 한)"는 P를 나타냅니다. 즉, 본질적으로 새로운 정보를 전달하지 않으며 이 구문에서 불필요합니다.
신경망은 약한 진동과 강한 진동의 공명을 감지하는 데 사용할 수 있습니다. 우리는 평균 주기가 작은 발진기인 한 뉴런의 입력에 공급하고, 주기가 큰 발진기인 다른 뉴런의 입력을 받습니다. 매우 큰 주기 진동을 가진 뉴런을 하나 더 추가해 보겠습니다. 우리는 이 뉴런의 출력을 이미 공명에 대한 데이터를 출력하는 네 번째 뉴런의 입력에 공급합니다. 숫자가 0에 가까우면 공명이 없고 0보다 크고 커지면 상향 임펄스와 상승 추세는 공명을 입력합니다. 그리고 그 반대도 마찬가지입니다. 0보다 작아서 떨어지면 하향 충격과 하향 추세가 공명에 들어갑니다.
흥미로운 기사 http://elementy.ru/lib/164581
그래서 우리는 무엇을 가지고 있습니까? 소음이 있습니다. 매우 강합니다. 변동성이 있습니다. 약한 규칙적인 신호가 있습니다(거의 주기적이지만 확실히 있음). 일반 신호의 약점은 강한 추세에도 불구하고 변동성 자체에 비해 매우 낮은 수익률로 확인됩니다. 나는 이미 예를 들어 이러한 값을 인용한 적이 있습니다. 유로 일간 차트의 상승 추세는 6년 동안 지속되어 왔으며 이는 약 1600일간 바입니다. 이 기간 동안 유로는 6,000포인트를 넘었습니다. 이는 기대수익률이 4점 미만임을 의미합니다(일반 약한 영향). 동시에 일간 수익률의 변동성은 수십포인트(노이즈) 정도다.
정상 상태 - 반전 또는 수정 중에 정상에서 평평합니다. 추세는 한 플랫에서 다음 플랫으로의 불안정한 전환 상태입니다. 추세 이전에 일반 신호는 플랫 노이즈에 의해 증폭되고 레벨에서 레벨로의 날카롭고 종종 즉각적인 점프로 나타납니다.
여기에서 실용적인 것을 얻는 방법은 무엇입니까?
PS 음, 예를 들어 규칙적인 신호를 얻기 위해 변동성에서 임의 구성 요소(순수한 노이즈)만 추출하는 방법은 무엇입니까? 변동성은 반지속적 프로세스로 알려져 있습니다. 신호가 추세 중에 증폭되기 때문에 단순히 상수를 빼면 작동하지 않습니다. 디트렌드? 흥미롭게도 증폭 요인은 무엇입니까?
안녕하세요.
나는 오랫동안 내 시스템에서 공진을 사용해 왔습니다. 특히 흥미로운 옵션을 공개하지 않고 다음과 같이 말할 수 있습니다. 추세 지표를 사용하십시오.
동일한 지표의 2개 기간으로 다시 만들고 시장의 고점과 저점에서 공명을 얻으십시오.
결정하기 위해 명확하게 배워야 할 유일한 것은 리바운드 중에 포즈를 입력하는 순간입니다. 그러한 지표 중 하나의 스크린샷을 첨부합니다.
칠면조의 한 사본은 다른 사본보다 주기가 더 길기 때문에 명확한 공명을 얻으려면 쌍과 TF를 조정해야 한다고 생각합니다.
지나가는 추세와 큰 이익.
값 X의 정규 분포 시퀀스가 있다고 가정합니다. 시퀀스의 구성원 수는 N=1000000이고 평균 값은 A이고 비율은 S입니다. X 요소의 값 집합은 다음과 같습니다. 위에서 경계, 즉 모든 X는 구간 [0,Xmax]에 속합니다. 시퀀스의 M=100 멤버 샘플을 가져와 평균 XM을 계산합니다. 원래 시퀀스의 M 요소를 포함하는 모든 연속 샘플에서 새로운 시퀀스 Y = {XM}을 형성합니다. Y 값의 집합도 제한적임이 분명합니다.
상한과 하한을 찾는 방법, 즉 값 범위 [Ymin,Ymax] ?
당연히 저는 수학적 통계를 통한 분석적 평가에 관심이 있습니다. 이마를 세는 것은 어렵지 않지만 흥미롭지 않습니다. N과 M의 비율과 원래 시퀀스의 통계적 특성에 대한 이 간격의 경계 의존성을 얻는 것은 흥미로웠습니다.
X가 확률 변수이면 Y는 X와 동일한 분포를 갖는 M개의 독립 확률 변수의 합입니다. 따라서 X가 정규이면 Y도 마찬가지이며 분산 S/sqrt(M)이 있습니다. 최대값과 최소값에 대한 질문은 시리즈의 특정 구현(즉, 정면으로 계산)에 대해서만 제기할 수 있으며 임의 구현의 경우 확률에 대해서만 이야기할 수 있습니다.
추신: 앞서 말한 내용이 제가 수학 전문가라고 생각한다는 의미는 아닙니다. 통계 :)
나는 또한 전문가 인 척하지 않지만 NSV 합계의 분산 = 분산의 합계입니다. 따라서 Dsum=M*D => Ssum=sqrt(M)*S(Ssum은 분포 Y의 시그마, S는 분포 X의 시그마).
확률 변수의 합에 대한 수학적 기대값은 수학적 기대값의 합과 같습니다. Asum=M*A
임의의 간격에서 SW Y를 찾을 확률은 도움을 받아 찾을 수 있습니다. Laplace 함수의 값 테이블. 예를 들어 결과적으로 3 시그마에서는 0.9973의 확률이 됩니다. 저것들. SV는 -3*Ssum+Asum<Y<3*Ssum+Asum => -3*S*sqrt(M)+A*M<Y<3*S*sqrt(M) 범위의 확률로 유지됩니다. +A *M
예를 들어. 분포 함수가 알려진 경우 임의의 X0에 대해 값이 >=X0인 요소 시퀀스에서 발생할 확률 P가 알려져 있습니다. 시퀀스에 N개의 요소가 포함되어 있으면 X>=X0 조건을 충족하는 시퀀스의 총 요소 수는 P*N과 같습니다. 이 값이 1보다 작으면, 즉 0개이면 통계적으로 Xmax<X0입니다. 그러나 이것은 물론 >=X0 요소가 실제로 그러한 시퀀스에 나타날 수 없다는 것을 의미하지는 않습니다.
... 그럼 체크메이트. X>=X0 조건을 충족하는 시퀀스의 요소 수에 대한 기대치 는 P*N과 같습니다. 이 값은 항상 1보다 작습니다(물론 분포 함수가 인위적으로 잘려지지 않는 한). 숫자 >= X0 이 길이 N 의 시퀀스에 나타나지 않을 확률은 이론적으로 (1-P)^N 과 같습니다.
추신 "이 값은 항상 1보다 작습니다(물론 분포 함수가 인위적으로 차단되지 않는 한)"는 P를 나타냅니다. 즉, 본질적으로 새로운 정보를 전달하지 않으며 이 구문에서 불필요합니다.
나는 또한 전문가 인 척하지 않지만 NSV 합계의 분산 = 분산의 합계입니다. 따라서 Dsum=M*D => Ssum=sqrt(M)*S(Ssum은 분포 Y의 시그마, S는 분포 X의 시그마).
나는 또한 전문가 인 척하지 않지만 NSV 합계의 분산 = 분산의 합계입니다. 따라서 Dsum=M*D => Ssum=sqrt(M)*S(Ssum은 분포 Y의 시그마, S는 분포 X의 시그마).
조건: M으로 나눈 값은?
조건: M으로 나눈 값은?
Yurixx는 다음과 같이 썼습니다.
... 시퀀스의 M=100 멤버 샘플을 가져와 평균 XM을 계산합니다. 우리는 새로운 시퀀스 Y = {XM}을 형성합니다 ...
우리는 평균 주기가 작은 발진기인 한 뉴런의 입력에 공급하고, 주기가 큰 발진기인 다른 뉴런의 입력을 받습니다. 매우 큰 주기 진동을 가진 뉴런을 하나 더 추가해 보겠습니다.
우리는 이 뉴런의 출력을 이미 공명에 대한 데이터를 출력하는 네 번째 뉴런의 입력에 공급합니다. 숫자가 0에 가까우면 공명이 없고 0보다 크고 커지면 상향 임펄스와 상승 추세는 공명을 입력합니다. 그리고 그 반대도 마찬가지입니다. 0보다 작아서 떨어지면 하향 충격과 하향 추세가 공명에 들어갑니다.
조건: M으로 나눈 값은?
Yurixx는 다음과 같이 썼습니다.
... 시퀀스의 M=100 멤버 샘플을 가져와 평균 XM을 계산합니다. 우리는 새로운 시퀀스 Y = {XM}을 형성합니다 ...
그런 다음 죄송합니다. 조건을 이해하지 못했습니다.
일련의 평균이 고려되고 교차하는 섹션에서도 종속적입니다. 증분을 고려해야 합니다(독립적일 것입니다).
XMi - XMi-1=(Xi - Xi-M)/M
이 SV 매트인 것 같습니다. 기대치=0, D=2*D1/M, RMS=sqrt(2*D1/M)
이것이 사실이라면 Laplace 함수의 값 표를 더 아래로 내려갑니다.
일련의 평균이 고려되고 교차하는 섹션에서도 종속적입니다.
Yurixx는 다음과 같이 썼습니다.
원래 시퀀스의 M 요소를 포함하는 모든 연속 샘플에서 새로운 시퀀스 Y = {XM}을 형성합니다.
즉, 그들은 단지 독립적 일 것입니다.
일련의 평균이 고려되고 교차하는 섹션에서도 종속적입니다.
Yurixx는 다음과 같이 썼습니다.
원래 시퀀스의 M 요소를 포함하는 모든 연속 샘플에서 새로운 시퀀스 Y = {XM}을 형성합니다.
즉, 그들은 단지 독립적 일 것입니다
그러면 작동하지 않습니다.
Yurixx는 다음과 같이 썼습니다.
아니요, 길이가 M 샘플인 슬라이딩 창일 뿐입니다. 따라서 시퀀스 Y의 요소 수는 N-M+1입니다.