:-) 글쎄, 나는 또한 당신에게 칼만 필터를 보여줄 것입니다. ACF 분석을 기반으로 합니다. 창 - 지난 주 분 7200. 입구에 일련의 가격만 있고 최적화는 없습니다. 링크 주셔서 감사합니다.
방법론은 다음과 같다. ACF 분석 - ACF 매개변수를 모델로 가져옵니다. - 모델을 Kalman 필터에 입력하면 예측값과 현재 추정값이 제공됩니다. 컴포스터가 작성한 프로그램은 들어오는 가격을 matcad에서 처리하고 MT를 실시간으로 관리하고 필요한 경우 공유할 수 있습니다
Mathemat, 당신에게 선물 - J. Bendat, A. Peirsol, "임의 데이터의 응용 분석"(http://dsp-book.narod.ru/bendat.djv). 저자는 무작위 프로세스의 정상성을 테스트하기 위해 반전 방법을 사용하는 방법에 대한 설명과 예를 제공합니다. 나는 방법 자체의 세부 사항과 엄격함을 다루지 않았지만 피상적으로는 자신감을 불러일으킵니다. 이 방향으로 파고들 필요가 있다고 생각합니다.
예를 들어, 다음과 같습니다. http://edu.secna.ru/main/review/2001/n3/MONA2001/Morozova.pdf - 이 작업은 가격 계열의 일부 유형의 웨이블릿 변환 결과의 정상성을 정당화하는 데 사용됩니다. . 사실, 당신이 필요로 했던 것.
필터가 당신과 Prival 에 대해 예측하는 것을 간단히 설명해 주시겠습니까? 미리 감사드립니다. AF 하신건가요???
도와드리겠습니다. 구현을 위한 자세한 알고리즘이 있습니까? :에 대한)
나는 Halt 필터가 무엇을 예측하는지 모르지만 내 것은 아무것도 예측하지 않습니다 :-(
AF가 뭔지 이해가 안 가네요... 직접 판단하세요, FZ로 흐릿한 VR에서 Predict 기능을 사용하고 FZ가 작은 것으로 덜 스무딩된 VR을 얻습니다만, 스무딩 품질 측면에서는 더 작은 평균화 창과 넓은 수평선을 가진 동일한 저역 통과 필터 - 마지막보다 눈에 띄게 약합니다(광고 참조). 저것들. 예측자는 평활 시리즈에서 그의 작업을 격퇴하고 수평선이 초기 VR에 접근하면 "파괴"되고 반대로 저역 통과 필터는 원래 VR에서 반발하고 점차 멀어져 부드럽게됩니다. .. 이 결과는 예상되는 결과입니다. 실제로 VR에서 더 많은 정보를 얻는 것은 매끄럽게 한 후에도 불가능합니다. 자연을 속일 수는 없습니다! 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.
추신: Predict 기능이 작동하는 방식에 대한 알고리즘이 없습니다.
유리크스 :
그러나 예측 범위를 늘리지 않고 결과를 예측하게 하면 어떻게 될까요? 얇은 검은 선에?
저것들. 당신은 예측자가 자신의 예측 결과를 보도록 제안합니까? 결국 얇은 검은 선은 더 큰 수평선을 가진 평균 예측(굵은 파란색 선)입니다...
저것들. 당신은 예측자가 자신의 예측 결과를 보도록 제안합니까? 결국 얇은 검은 선은 더 큰 수평선을 가진 평균 예측(굵은 파란색 선)입니다...
정확히. 왜 안 돼 ? 물론 여러 번 수행한 이러한 작업의 결과가 궁극적으로 일련의 가격을 줄 수 없다는 것을 이해합니다. 기적은 일어나지 않습니다. 그러나 이 알고리즘이 어떻게 작동하는지 보는 것은 흥미롭습니다. :-) 그것은 과거 데이터에 대해 작동하고 미래를 내다보지 않습니다, 그렇죠?
bstone : Mathemat, 당신에게 선물 - J. Bendat, A. Peirsol, "임의 데이터의 응용 분석"(http://dsp-book.narod.ru/bendat.djv). 저자는 무작위 프로세스의 정상성을 테스트하기 위해 반전 방법을 사용하는 방법에 대한 설명과 예를 제공합니다. 나는 방법 자체의 세부 사항과 엄격함을 다루지 않았지만 피상적으로는 자신감을 불러일으킵니다. 이 방향으로 파고들 필요가 있다고 생각합니다.
예를 들어, 다음과 같습니다. http://edu.secna.ru/main/review/2001/n3/MONA2001/Morozova.pdf - 이 작업은 가격 계열의 일부 유형의 웨이블릿 변환 결과의 정상성을 정당화하는 데 사용됩니다. . 사실, 당신이 필요로 했던 것.
bstone : Mathemat, 당신에게 선물 - J. Bendat, A. Peirsol, "임의 데이터의 응용 분석"(http://dsp-book.narod.ru/bendat.djv). 저자는 무작위 프로세스의 정상성을 테스트하기 위해 반전 방법을 사용하는 방법에 대한 설명과 예를 제공합니다. 나는 방법 자체의 세부 사항과 엄격함을 다루지 않았지만 피상적으로는 자신감을 불러일으킵니다. 이 방향으로 파고들 필요가 있다고 생각합니다.
예를 들어, 다음과 같습니다. http://edu.secna.ru/main/review/2001/n3/MONA2001/Morozova.pdf - 이 작업은 가격 계열의 일부 유형의 웨이블릿 변환 결과의 정상성을 정당화하는 데 사용됩니다. . 사실, 당신이 필요로 했던 것.
Mathemat, 당신에게 선물 - J. Bendat, A. Peirsol, "임의 데이터의 응용 분석"(http://dsp-book.narod.ru/bendat.djv). 저자는 무작위 프로세스의 정상성을 테스트하기 위해 반전 방법을 사용하는 방법에 대한 설명과 예를 제공합니다. 나는 방법 자체의 세부 사항과 엄격함을 다루지 않았지만 피상적으로는 자신감을 불러일으킵니다. 이 방향으로 파고들 필요가 있다고 생각합니다.
예를 들어, 다음과 같습니다. http://edu.secna.ru/main/review/2001/n3/MONA2001/Morozova.pdf - 이 작업은 가격 계열의 일부 유형의 웨이블릿 변환 결과의 정상성을 정당화하는 데 사용됩니다. . 사실, 당신이 필요로 했던 것.
물론 여러 번 수행한 이러한 작업의 결과가 궁극적으로 일련의 가격을 줄 수 없다는 것을 이해합니다. 기적은 일어나지 않습니다. 그러나 이 알고리즘이 어떻게 작동하는지 보는 것은 흥미롭습니다. :-) 그것은 과거 데이터에 대해 작동하고 미래를 내다보지 않습니다, 그렇죠?
예, 과거 데이터에서만 작동합니다.
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 ...
무화과에. 빨간색 점 - 가격 계열, 빨간색 선 - 이동 평균 (LPF), 파란색 - MT, 검정색 - 예측 기능. 예측 범위는 동일하고 5개의 판독값과 같도록 선택됩니다. 예측 지표의 행동이 거의 일치하는 것을 알 수 있으며, FZ LPF 값까지 수평선이 증가하는 행동은 첨부 된 포스터에서 볼 수 있습니다. 불행히도 두 측정기는 항상 사용된 MA의 FZ와 일치하는 예측 한계에 접근할 때 "분리"됩니다! 두 가지 상호 매핑이 있는 것 같습니다. 통합에 의한 평활화와 어떤 식으로든 외삽을 통해 원본 데이터를 복원하는 것입니다. 그러나 원칙적으로 평활 시리즈에 필요한 정보가 없기 때문에(또는 거의 없기 때문에) 가격 유형 VR의 동작을 앞서가(예측)할 수 없습니다. 그건 그렇고, 노이즈가 있는 사인과 같은 인공 VR에서 이러한 예측 변수는 생성 시리즈보다 훨씬 앞서 있으므로 선행 지표를 구성할 잠재적 가능성을 기대할 수 있지만 노이즈 성분의 진폭이 다음을 초과하지 않을 때까지 가능합니다. 유용한 신호.
잔디
:-) 글쎄, 나는 또한 당신에게 칼만 필터를 보여줄 것입니다. ACF 분석을 기반으로 합니다. 창 - 지난 주 분 7200. 입구에 일련의 가격만 있고 최적화는 없습니다. 링크 주셔서 감사합니다.
방법론은 다음과 같다. ACF 분석 - ACF 매개변수를 모델로 가져옵니다. - 모델을 Kalman 필터에 입력하면 예측값과 현재 추정값이 제공됩니다. 컴포스터가 작성한 프로그램은 들어오는 가격을 matcad에서 처리하고 MT를 실시간으로 관리하고 필요한 경우 공유할 수 있습니다
이 라인이 "멋진"Mashek보다 나은 이유를 이해하고 싶습니다.
여기서 궁금한게...
예를 들어, 다음과 같습니다. http://edu.secna.ru/main/review/2001/n3/MONA2001/Morozova.pdf - 이 작업은 가격 계열의 일부 유형의 웨이블릿 변환 결과의 정상성을 정당화하는 데 사용됩니다. . 사실, 당신이 필요로 했던 것.
중성자 에게
필터가 당신과 Prival 에 대해 예측하는 것을 간단히 설명해 주시겠습니까? 미리 감사드립니다. AF 하신건가요???
도와드리겠습니다. 구현을 위한 자세한 알고리즘이 있습니까? :에 대한)
나는 Halt 필터가 무엇을 예측하는지 모르지만 내 것은 아무것도 예측하지 않습니다 :-(
AF가 뭔지 이해가 안 가네요... 직접 판단하세요, FZ로 흐릿한 VR에서 Predict 기능을 사용하고 FZ가 작은 것으로 덜 스무딩된 VR을 얻습니다만, 스무딩 품질 측면에서는 더 작은 평균화 창과 넓은 수평선을 가진 동일한 저역 통과 필터 - 마지막보다 눈에 띄게 약합니다(광고 참조). 저것들. 예측자는 평활 시리즈에서 그의 작업을 격퇴하고 수평선이 초기 VR에 접근하면 "파괴"되고 반대로 저역 통과 필터는 원래 VR에서 반발하고 점차 멀어져 부드럽게됩니다. .. 이 결과는 예상되는 결과입니다. 실제로 VR에서 더 많은 정보를 얻는 것은 매끄럽게 한 후에도 불가능합니다. 자연을 속일 수는 없습니다! 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.
추신: Predict 기능이 작동하는 방식에 대한 알고리즘이 없습니다.
그러나 예측 범위를 늘리지 않고 결과를 예측하게 하면 어떻게 될까요? 얇은 검은 선에?
저것들. 당신은 예측자가 자신의 예측 결과를 보도록 제안합니까? 결국 얇은 검은 선은 더 큰 수평선을 가진 평균 예측(굵은 파란색 선)입니다...
설명 해주십시오.
그러나 예측 범위를 늘리지 않고 결과를 예측하게 하면 어떻게 될까요? 얇은 검은 선에?
저것들. 당신은 예측자가 자신의 예측 결과를 보도록 제안합니까? 결국 얇은 검은 선은 더 큰 수평선을 가진 평균 예측(굵은 파란색 선)입니다...
정확히. 왜 안 돼 ? 물론 여러 번 수행한 이러한 작업의 결과가 궁극적으로 일련의 가격을 줄 수 없다는 것을 이해합니다. 기적은 일어나지 않습니다. 그러나 이 알고리즘이 어떻게 작동하는지 보는 것은 흥미롭습니다. :-) 그것은 과거 데이터에 대해 작동하고 미래를 내다보지 않습니다, 그렇죠?
Mathemat, 당신에게 선물 - J. Bendat, A. Peirsol, "임의 데이터의 응용 분석"(http://dsp-book.narod.ru/bendat.djv). 저자는 무작위 프로세스의 정상성을 테스트하기 위해 반전 방법을 사용하는 방법에 대한 설명과 예를 제공합니다. 나는 방법 자체의 세부 사항과 엄격함을 다루지 않았지만 피상적으로는 자신감을 불러일으킵니다. 이 방향으로 파고들 필요가 있다고 생각합니다.
예를 들어, 다음과 같습니다. http://edu.secna.ru/main/review/2001/n3/MONA2001/Morozova.pdf - 이 작업은 가격 계열의 일부 유형의 웨이블릿 변환 결과의 정상성을 정당화하는 데 사용됩니다. . 사실, 당신이 필요로 했던 것.
정말 감사합니다!!!
Mathemat, 당신에게 선물 - J. Bendat, A. Peirsol, "임의 데이터의 응용 분석"(http://dsp-book.narod.ru/bendat.djv). 저자는 무작위 프로세스의 정상성을 테스트하기 위해 반전 방법을 사용하는 방법에 대한 설명과 예를 제공합니다. 나는 방법 자체의 세부 사항과 엄격함을 다루지 않았지만 피상적으로는 자신감을 불러일으킵니다. 이 방향으로 파고들 필요가 있다고 생각합니다.
예를 들어, 다음과 같습니다. http://edu.secna.ru/main/review/2001/n3/MONA2001/Morozova.pdf - 이 작업은 가격 계열의 일부 유형의 웨이블릿 변환 결과의 정상성을 정당화하는 데 사용됩니다. . 사실, 당신이 필요로 했던 것.
귀중한 사이트에 감사드립니다. 그러나 이것은 일반적으로 훌륭합니다. http://dsp-book.narod.ru/KM.djvu
Mathemat, 당신에게 선물 - J. Bendat, A. Peirsol, "임의 데이터의 응용 분석"(http://dsp-book.narod.ru/bendat.djv). 저자는 무작위 프로세스의 정상성을 테스트하기 위해 반전 방법을 사용하는 방법에 대한 설명과 예를 제공합니다. 나는 방법 자체의 세부 사항과 엄격함을 다루지 않았지만 피상적으로는 자신감을 불러일으킵니다. 이 방향으로 파고들 필요가 있다고 생각합니다.
예를 들어, 다음과 같습니다. http://edu.secna.ru/main/review/2001/n3/MONA2001/Morozova.pdf - 이 작업은 가격 계열의 일부 유형의 웨이블릿 변환 결과의 정상성을 정당화하는 데 사용됩니다. . 사실, 당신이 필요로 했던 것.
귀중한 사이트에 감사드립니다. 그러나 이것은 일반적으로 훌륭합니다. http://dsp-book.narod.ru/KM.djvu
와우 모든 것이 거기에 있다는 것이 밝혀졌습니다. 적용하는 것만 남아 있습니다 ...
물론 여러 번 수행한 이러한 작업의 결과가 궁극적으로 일련의 가격을 줄 수 없다는 것을 이해합니다. 기적은 일어나지 않습니다. 그러나 이 알고리즘이 어떻게 작동하는지 보는 것은 흥미롭습니다. :-) 그것은 과거 데이터에 대해 작동하고 미래를 내다보지 않습니다, 그렇죠?
예, 과거 데이터에서만 작동합니다.
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 ...
무화과에. 빨간색 점 - 가격 계열, 빨간색 선 - 이동 평균 (LPF), 파란색 - MT, 검정색 - 예측 기능. 예측 범위는 동일하고 5개의 판독값과 같도록 선택됩니다. 예측 지표의 행동이 거의 일치하는 것을 알 수 있으며, FZ LPF 값까지 수평선이 증가하는 행동은 첨부 된 포스터에서 볼 수 있습니다. 불행히도 두 측정기는 항상 사용된 MA의 FZ와 일치하는 예측 한계에 접근할 때 "분리"됩니다! 두 가지 상호 매핑이 있는 것 같습니다. 통합에 의한 평활화와 어떤 식으로든 외삽을 통해 원본 데이터를 복원하는 것입니다. 그러나 원칙적으로 평활 시리즈에 필요한 정보가 없기 때문에(또는 거의 없기 때문에) 가격 유형 VR의 동작을 앞서가(예측)할 수 없습니다. 그건 그렇고, 노이즈가 있는 사인과 같은 인공 VR에서 이러한 예측 변수는 생성 시리즈보다 훨씬 앞서 있으므로 선행 지표를 구성할 잠재적 가능성을 기대할 수 있지만 노이즈 성분의 진폭이 다음을 초과하지 않을 때까지 가능합니다. 유용한 신호.