"적응형 필터"라는 용어를 줄였습니다. 즉, 이 주제와 다른 주제 모두에서 문제의 목표는 적응형 필터링을 기반으로만 얻을 수 있습니다. 다른 방법은 없지만 대략적으로 말하면 다음과 같습니다.
스스로 판단하십시오. 저는 FZ가 있는 평활화된 VR에서 예측 기능을 사용하고 더 작은 FZ로 덜 평활한 VR을 얻습니다. 그러나 평활화 품질 측면에서는 더 작은 평균을 가진 동일한 저역 통과 필터보다 낫지 않습니다. 창이며 큰 수평선에서는 후자보다 눈에 띄게 약합니다(광고 참조). 저것들. 예측자는 평활 시리즈에서 그의 작업을 격퇴하고 수평선이 초기 VR에 접근하면 "부서져"가는 반면 저역 통과 필터는 반대로 초기 VR에서 반발하고 점차 멀어져 부드럽게됩니다. .. 이 결과는 예상되는 결과입니다. 실제로 VR에서 더 많은 정보를 얻는 것은 매끄럽게 한 후에도 불가능합니다. 자연을 속일 수는 없습니다!
실질적으로 의미가 없으며 전반적으로 "자기기만"
NS 기반 저역 통과 필터의 작동 시연과 함께 포럼에 사진이 등장했지만 FZ는 우수한 앤티 앨리어싱 품질로 (거의) 관찰되지 않았습니다! 그것이 틀에 박힌 것이 아니라면 우리가 할 일이 있습니다.
저는 NeuroSolutions 패키지로 작업했는데, 설치하면 NS 기반 저역 통과 필터의 자세한 예를 찾을 수 있습니다.
Predict 기능을 사용한 예측에 대한 유사한 결과가 더 이상 고민하지 않고 얻을 수 있다는 것이 흥미롭습니다. 단순히 각 점의 왼쪽 이웃에서 평활화된 LPF VR을 확장하여("미래"를 보지 않도록) 일반적인 Taylor 시리즈(RT)를 선택한 다음 앞으로 원하는 단계 수로 외삽합니다. 이것은 당신에게 흥미로울 것입니다. grasn - Matkad에 내장된 함수의 알고리즘을 파헤치는 대신 RT를 가져 와서 가지고 놀고, 잘라내고, 결과를 확인하십시오 ...
Taylor 시리즈의 외삽에 의한 예측은 나에게 전혀 흥미롭지 않으며 비교할 만한 예측을 제공하지 않을 것입니다. 100번 시도당 하나의 옵션이 있을 수 있습니다.o) 하지만 조언에 감사드립니다.
Neutron , 당신은 약간 오해했습니다 - 나는 "예측" 알고리즘을 파헤치지 않습니다. 약 2년 전에 공개된 소박한 생각. 정말 필요한 사람이라면 출처를 찾아 했을 텐데, 그리 어렵지 않습니다. 나는 다른 유사한 알고리즘과 마찬가지로 예측이 작동하지 않는다고 썼습니다. 통계에 따른 시리즈 예측은 매우 좋지 않은 결과를 제공합니다. 그것을 사용하는 유일한 방법은 예측 시리즈의 일반화된 특성으로 이동하는 것입니다. 그런 다음 올바르게 수행되어야 합니다. 이를 기반으로 한 시스템은 수익성이 있지만 나에게는 흥미롭지 않습니다.
mql4 코딩으로
와우 모든 것이 거기에 있다는 것이 밝혀졌습니다. 적용하는 것만 남아 있습니다 ...
다른 포럼에서 이미 여러 번 읽은 것 같습니다. 하지만 어쨌든 - 행운을 빕니다 :o)))
젠장, 나는 모든 링크를 잃어 버렸습니다. 간단히 말해서 포럼이있었습니다. 포럼이 있었고, 거기에서 사람들이 두 가지를 진지하게 다루었습니다.
필터의 공개 코드 패키지 작성(내가 이해하는 한 사람들은 이러한 fatls, satls의 작성자에게 화를 냈습니다. 정확히 이름이 기억나지 않습니다.
필터 기반 전략 개발
매우 유용할 것 같았습니다. 그러나 나는 이 접근 방식에 완전히 실망했습니다. 이 경로가 완전히 올바르지 않은 것 같습니다.
다른 VR 평균화 알고리즘을 비교하는 방법은 무엇입니까? 최적의 평균화 창을 선택하는 방법은 무엇입니까?
실제로 창을 크게 선택하면 불가피한 FD로 인해 신호가 매우 늦어지는 반면 창을 작게 선택하면 평균 품질이 만족스럽지 않습니다. 최적은 중간 어딘가에 있는 것 같지만 얻은 평균의 결과를 무엇과 비교할 것인가?
FZ가 0인 가상의 저역 통과 필터가 있다고 가정하고 이를 비교할 수 있습니다. 분석된 VR에 대해 일반(미래를 내다보지 않음) LPF를 앞뒤로 실행하고 그래프의 중간 부분을 가져오면 이러한 "마법" 필터를 구현할 수 있으므로 오른쪽의 불가피한 가장자리 효과를 분석에서 제외할 수 있습니다. VR의 왼쪽 끝(이런 이유로 이러한 LPF는 TS에서 사용할 수 없음).
왼쪽 그림. 점은 VR, 빨간색 선 - 대칭 저역 통과 필터(sLPF), 파란색 및 검정색 - 평균 시간이 다른 일반 이동 평균을 나타냅니다. 이상적인 필터와 연구된 필터 사이의 전체 VR 포인트 세트에서 각 창에 대한 표준 편차 를 찾고 VR 포인트와 LPPF 사이의 표준 편차로 결과 값을 정규화합니다. 따라서 우리는 LPF 평균화 창의 선택과 관련된 임의성을 제거할 것입니다. 이 경우 표준 편차의 선택은 무작위로 보이지 않습니다. 실제로 이 값은 FZ로 인해 오른쪽으로 이동하는 부드러운 곡선과 좁은 평균 창에서 변동 범위의 증가를 똑같이 잘 반영합니다.
평활화의 품질을 분석하기 위해 직사각형 평균 창(두 번째 그림의 파란색 선), 삼각형 평균 창(검정색 선) 및 1차 Butterout 필터(빨간색 선)가 있는 일반적인 이동 평균을 선택합니다. 작은 창에서는 필터가 원래 VR의 휘발성 경향이 있는 큰 "잡담"으로 인해 시리즈를 매끄럽게 만들지 않음을 알 수 있습니다. 창의 증가에 따라 각 필터에 대해 최적이 관찰되고 FZ 증가로 인해 다시 평활화 특성이 저하됩니다. 제시된 세 가지 알고리즘 중에서 가장 좋은 결과는 창 너비가 7-8 bar인 직사각형 평균 창을 사용하는 사소한 이동 평균에서 관찰됩니다! 이것은 이러한 유형의 저역 통과 필터에 대한 최적의 값이며 노이즈 성분을 15%까지 효과적으로 억제하고 17-18bar의 창에서 원래 BP보다 이점을 제공하지 않고 평활화 특성을 잃습니다. 이 경우 저역 통과 필터의 표준 편차를 계산하면 0% 또는 100% 평활화를 얻을 수 있습니다. 이상적인 옵션. 지금까지 이상에 대한 근사치는 15%입니다. 더 받을 수 있는지 궁금합니다.
따라서 저역 통과 필터의 평활화 특성을 객관적으로 평가할 수 있는 도구가 있습니다. Prival 이 ACF를 기반으로 한 적응형 Kalman 필터의 코드를 제공하면 명예 행의 해당 위치에 즉시 해당 필터(필터)를 할당 하고 North Wind 는 이미 수사학적인 질문에 대한 답변을 받게 됩니다...
연구된 시리즈에서 최대값의 크기와 위치는 iLPF의 창 선택에 따라 다릅니다. 그들의 상대적 위치는 의존하지 않거나 약하게 의존합니다.
LPF에는 상당히 많은 매개변수가 있으며 물론 사양에 따라 완전히 결정되지만 샘플링 단계, 통과/억제 대역의 차단 주파수, 거부/통과 대역 리플 등 여전히 많은 매개변수가 있습니다. 어떤 창을 말씀하시는 건가요? 필터 사양을 단일 입력 매개변수로 표현하는 것이라면...그렇다면 실제 거래에서 그런 필터를 사용하지 않기를 바랍니다.
예, 매우 넓은 범위에서 그를 위한 평균 창을 변경하려고 했습니다. 결과에 전혀 영향을 미치지 않았거나 영향을 미쳤지만 아주 약간
그래서 아마도 필터가 제대로 재건되지 않았습니까? Butterword는 창과 같은 입력 특성이 없으며 사양에 의해 완전히 결정되는 "창"과 같은 설계 계수가 있습니다. 당신의 사양은 어디에 있습니까? 아마도 일부 특성을 수정하고 이제 발견, 축하합니다.
그리고 극한의 이 상대적인 위치는 의존하지 않거나 약하게 의존합니까? 그리고 이것은 잘못 설계된 필터 또는 잘 만들어진 필터에도 의존하지 않지만 "그런"신호에는 의존하지 않습니까? 멋진, 두 개의 필터를 제공하십시오 ...
글쎄요! Butterout 필터에는 평균화 창이 없습니다. 재귀적이며 많은 노브가 있습니다. 변경할 수 있는 매개변수로 인해 컷의 기울기, 통과대역의 주파수 응답 불균일성, 통과대역 자체 ... 그러나 만약 원하는 경우 전체 다양성을 하나의 손잡이로 단순화하여 주요 아이디어를 전달할 수 있습니다.
그리고 극한값의 위치가 LPF TRANSMISSION WINDOW WIDTH에 의존한다는 사실에 대해 - 더 좋아졌습니다!
접근 방식 자체가 유망해 보입니다. 한 남자가 다가와 소리친다. "자, 내가 슈퍼듀퍼 쿨 LPF를 생각해 냈어!" 당신은 그에게 말했다 - "그리고 그를 여기로 가자. 그가 어떻게 부드럽게 하는지 보자." 그리고 우리는 예를 들어 동일한 이동 평균 과 비교하여 봅니다. 그가 최고의 앤티 앨리어싱을 제공하면 저자에 대한 모든 설정을 왜곡합니다!
하이라이트는 객관적으로 비교할 수 있는 모든 저역 통과 필터에 대해 일반화된 유일한 매개변수를 식별할 수 있다는 것입니다. 이 매개변수는 통과대역에서의 직접 주파수 응답 등 물론 자의성은 있지만 더 나은 것은 보이지 않습니다.
인용문: 이 상황에서 거래 시스템을 구축하기 위한 최적의 통계는 가변 창이 있는 선형 이동 평균이라는 것이 밝혀졌습니다. 저것들. 이동 평균은 대부분 동일한 추세의 섹션에 속하는 방식으로 취해야 합니다. 또한 이동 평균은 지수 또는 다른 것이 아닙니다. 단순 이동 평균과 계수 i가 있는 이동 평균의 2가지 이동 평균입니다. 이것은 Xi의 i 합입니다. 그리고 변동성의 경우 이러한 랜덤 변수 시퀀스의 제곱합을 고려해야 합니다.
LRMA는 가격 편차의 제곱의 합이 최소가 되도록 설계되었습니다. 그러나 예를 들어 오차 계수의 합과 같은 또 다른 목적 함수(TF)를 최소화할 수도 있습니다. 이 CF, IMHO는 제곱 오차의 합보다 Forex에 더 자연스럽습니다. 분석적으로 계산하는 것은 문제가 있지만 대략적으로는 해 볼 수 있습니다.
중성자 에게
"적응형 필터"라는 용어를 줄였습니다. 즉, 이 주제와 다른 주제 모두에서 문제의 목표는 적응형 필터링을 기반으로만 얻을 수 있습니다. 다른 방법은 없지만 대략적으로 말하면 다음과 같습니다.
실질적으로 의미가 없으며 전반적으로 "자기기만"
저는 NeuroSolutions 패키지로 작업했는데, 설치하면 NS 기반 저역 통과 필터의 자세한 예를 찾을 수 있습니다.
Taylor 시리즈의 외삽에 의한 예측은 나에게 전혀 흥미롭지 않으며 비교할 만한 예측을 제공하지 않을 것입니다. 100번 시도당 하나의 옵션이 있을 수 있습니다.o) 하지만 조언에 감사드립니다.
Neutron , 당신은 약간 오해했습니다 - 나는 "예측" 알고리즘을 파헤치지 않습니다. 약 2년 전에 공개된 소박한 생각. 정말 필요한 사람이라면 출처를 찾아 했을 텐데, 그리 어렵지 않습니다. 나는 다른 유사한 알고리즘과 마찬가지로 예측이 작동하지 않는다고 썼습니다. 통계에 따른 시리즈 예측은 매우 좋지 않은 결과를 제공합니다. 그것을 사용하는 유일한 방법은 예측 시리즈의 일반화된 특성으로 이동하는 것입니다. 그런 다음 올바르게 수행되어야 합니다. 이를 기반으로 한 시스템은 수익성이 있지만 나에게는 흥미롭지 않습니다.
mql4 코딩으로다른 포럼에서 이미 여러 번 읽은 것 같습니다. 하지만 어쨌든 - 행운을 빕니다 :o)))
젠장, 나는 모든 링크를 잃어 버렸습니다. 간단히 말해서 포럼이있었습니다. 포럼이 있었고, 거기에서 사람들이 두 가지를 진지하게 다루었습니다.
매우 유용할 것 같았습니다. 그러나 나는 이 접근 방식에 완전히 실망했습니다. 이 경로가 완전히 올바르지 않은 것 같습니다.
다른 VR 평균화 알고리즘을 비교하는 방법은 무엇입니까? 최적의 평균화 창을 선택하는 방법은 무엇입니까?
실제로 창을 크게 선택하면 불가피한 FD로 인해 신호가 매우 늦어지는 반면 창을 작게 선택하면 평균 품질이 만족스럽지 않습니다. 최적은 중간 어딘가에 있는 것 같지만 얻은 평균의 결과를 무엇과 비교할 것인가?
FZ가 0인 가상의 저역 통과 필터가 있다고 가정하고 이를 비교할 수 있습니다. 분석된 VR에 대해 일반(미래를 내다보지 않음) LPF를 앞뒤로 실행하고 그래프의 중간 부분을 가져오면 이러한 "마법" 필터를 구현할 수 있으므로 오른쪽의 불가피한 가장자리 효과를 분석에서 제외할 수 있습니다. VR의 왼쪽 끝(이런 이유로 이러한 LPF는 TS에서 사용할 수 없음).
왼쪽 그림. 점은 VR, 빨간색 선 - 대칭 저역 통과 필터(sLPF), 파란색 및 검정색 - 평균 시간이 다른 일반 이동 평균을 나타냅니다. 이상적인 필터와 연구된 필터 사이의 전체 VR 포인트 세트에서 각 창에 대한 표준 편차 를 찾고 VR 포인트와 LPPF 사이의 표준 편차로 결과 값을 정규화합니다. 따라서 우리는 LPF 평균화 창의 선택과 관련된 임의성을 제거할 것입니다. 이 경우 표준 편차의 선택은 무작위로 보이지 않습니다. 실제로 이 값은 FZ로 인해 오른쪽으로 이동하는 부드러운 곡선과 좁은 평균 창에서 변동 범위의 증가를 똑같이 잘 반영합니다.
평활화의 품질을 분석하기 위해 직사각형 평균 창(두 번째 그림의 파란색 선), 삼각형 평균 창(검정색 선) 및 1차 Butterout 필터(빨간색 선)가 있는 일반적인 이동 평균을 선택합니다. 작은 창에서는 필터가 원래 VR의 휘발성 경향이 있는 큰 "잡담"으로 인해 시리즈를 매끄럽게 만들지 않음을 알 수 있습니다. 창의 증가에 따라 각 필터에 대해 최적이 관찰되고 FZ 증가로 인해 다시 평활화 특성이 저하됩니다. 제시된 세 가지 알고리즘 중에서 가장 좋은 결과는 창 너비가 7-8 bar인 직사각형 평균 창을 사용하는 사소한 이동 평균에서 관찰됩니다! 이것은 이러한 유형의 저역 통과 필터에 대한 최적의 값이며 노이즈 성분을 15%까지 효과적으로 억제하고 17-18bar의 창에서 원래 BP보다 이점을 제공하지 않고 평활화 특성을 잃습니다. 이 경우 저역 통과 필터의 표준 편차를 계산하면 0% 또는 100% 평활화를 얻을 수 있습니다. 이상적인 옵션. 지금까지 이상에 대한 근사치는 15%입니다. 더 받을 수 있는지 궁금합니다.
따라서 저역 통과 필터의 평활화 특성을 객관적으로 평가할 수 있는 도구가 있습니다. Prival 이 ACF를 기반으로 한 적응형 Kalman 필터의 코드를 제공하면 명예 행의 해당 위치에 즉시 해당 필터(필터)를 할당 하고 North Wind 는 이미 수사학적인 질문에 대한 답변을 받게 됩니다...
젠장, 나는 모든 링크를 잃어 버렸습니다. 간단히 말해서 포럼이있었습니다. 포럼이 있었고, 거기에서 사람들이 두 가지를 진지하게 다루었습니다.
alpari 또는 viak에서 "부르주아 시장 필터링"과 같은 이름을 가진 주제 - 아마도 이것이 우리가 말하는 것입니다.
젠장, 나는 모든 링크를 잃어 버렸습니다. 간단히 말해서 포럼이있었습니다. 포럼이 있었고, 거기에서 사람들이 두 가지를 진지하게 다루었습니다.
alpari 또는 viak에서 "부르주아 시장 필터링"과 같은 이름을 가진 주제 - 아마도 이것이 우리가 말하는 것입니다.
중성자 에게
참조 필터의 입력 특성이 잘못 선택되었거나 최적의 방식이 아닌 경우?
예, 나는 그를 위한 평균 창을 매우 넓은 범위에서 변경하려고 시도했습니다. 결과에 전혀 영향을 미치지 않았거나 영향을 미쳤지만 아주 약간 있었습니다. 연구된 필터의 SD를 상대적으로 고려한 다음 이를 상대적인 BP의 SD로 정규화합니다.
grasn의 말에 이미 쓰여진 것에 추가.
나는 차를 몰았다!
연구된 시리즈에서 최대값의 크기와 위치는 iLPF의 창 선택에 따라 다릅니다. 그들의 상대적 위치는 의존하지 않거나 약하게 의존합니다.
먼저 VR에서 관심 지점을 가장 명확하게 드러내도록 iLPF를 선택한 다음 기존 LPF의 원하는 창을 선택해야 합니다. 이것은 필요한 패턴을 식별할 수 있는 최대 확률 측면에서 최적의 선택이 될 것입니다.
내 "기술적 문맹"을 실례합니다 - 지금 무엇에 대해 쓰고 있습니까?
LPF에는 상당히 많은 매개변수가 있으며 물론 사양에 따라 완전히 결정되지만 샘플링 단계, 통과/억제 대역의 차단 주파수, 거부/통과 대역 리플 등 여전히 많은 매개변수가 있습니다. 어떤 창을 말씀하시는 건가요? 필터 사양을 단일 입력 매개변수로 표현하는 것이라면...그렇다면 실제 거래에서 그런 필터를 사용하지 않기를 바랍니다.
그래서 아마도 필터가 제대로 재건되지 않았습니까? Butterword는 창과 같은 입력 특성이 없으며 사양에 의해 완전히 결정되는 "창"과 같은 설계 계수가 있습니다. 당신의 사양은 어디에 있습니까? 아마도 일부 특성을 수정하고 이제 발견, 축하합니다.
그리고 극한의 이 상대적인 위치는 의존하지 않거나 약하게 의존합니까? 그리고 이것은 잘못 설계된 필터 또는 잘 만들어진 필터에도 의존하지 않지만 "그런"신호에는 의존하지 않습니까? 멋진, 두 개의 필터를 제공하십시오 ...
글쎄요! Butterout 필터에는 평균화 창이 없습니다. 재귀적이며 많은 노브가 있습니다. 변경할 수 있는 매개변수로 인해 컷의 기울기, 통과대역의 주파수 응답 불균일성, 통과대역 자체 ... 그러나 만약 원하는 경우 전체 다양성을 하나의 손잡이로 단순화하여 주요 아이디어를 전달할 수 있습니다.
그리고 극한값의 위치가 LPF TRANSMISSION WINDOW WIDTH에 의존한다는 사실에 대해 - 더 좋아졌습니다!
접근 방식 자체가 유망해 보입니다. 한 남자가 다가와 소리친다. "자, 내가 슈퍼듀퍼 쿨 LPF를 생각해 냈어!" 당신은 그에게 말했다 - "그리고 그를 여기로 가자. 그가 어떻게 부드럽게 하는지 보자." 그리고 우리는 예를 들어 동일한 이동 평균 과 비교하여 봅니다. 그가 최고의 앤티 앨리어싱을 제공하면 저자에 대한 모든 설정을 왜곡합니다!
하이라이트는 객관적으로 비교할 수 있는 모든 저역 통과 필터에 대해 일반화된 유일한 매개변수를 식별할 수 있다는 것입니다. 이 매개변수는 통과대역에서의 직접 주파수 응답 등 물론 자의성은 있지만 더 나은 것은 보이지 않습니다.
그건 그렇고, http://www.bcs.ru/school/prof/mts/2003/Gorchakov.zip 저는 모든 사람, 특히 고정성에 대한 감정가에게 추천합니다. 그런데 필터에 대해 있습니다.
좋은 점은 내 생각이 교차하는 어딘가에 있다는 것입니다. :)
그런데 http://www.bcs.ru/school/prof/mts/2003/Gorchakov.zip
이 상황에서 거래 시스템을 구축하기 위한 최적의 통계는 가변 창이 있는 선형 이동 평균이라는 것이 밝혀졌습니다. 저것들. 이동 평균은 대부분 동일한 추세의 섹션에 속하는 방식으로 취해야 합니다. 또한 이동 평균은 지수 또는 다른 것이 아닙니다. 단순 이동 평균과 계수 i가 있는 이동 평균의 2가지 이동 평균입니다. 이것은 Xi의 i 합입니다. 그리고 변동성의 경우 이러한 랜덤 변수 시퀀스의 제곱합을 고려해야 합니다.
작가님이 LRMA의 발견에 한걸음 다가간 것 같습니다 :)
LRMA는 가격 편차의 제곱의 합이 최소가 되도록 설계되었습니다. 그러나 예를 들어 오차 계수의 합과 같은 또 다른 목적 함수(TF)를 최소화할 수도 있습니다. 이 CF, IMHO는 제곱 오차의 합보다 Forex에 더 자연스럽습니다. 분석적으로 계산하는 것은 문제가 있지만 대략적으로는 해 볼 수 있습니다.