나는 당신에게 말하고 있습니다 - 여기에 사진이 없습니다! 그래도 보이면 도움이 필요합니다 :-)
진지하게, 가장 일반적인 캐주얼 재귀 필터의 작업은 다음과 같은 형식으로 표시됩니다.
y[i]=a*x[i]+b*y[i-1], 여기서 a=0.1, b=0.9
'모바일 쓰기'가 굉장히 불편한데 답변을 드리지 않을 수 없었습니다. Seryoga, 신비한 신호로 이 쓰레기를 의미했다면 yo-yo-yo-my, Seryoga는 말 그대로 헛소리이며 단순히 예측 속성이 없습니다. Burg의 방법의 하이라이트는 현재 값과 미래 값의 공분산 함수를 추정한다는 것입니다. 아마도 이 추정치는 자기상관 추정치로 귀결되며 이론도 이를 허용합니다. 그렇다면 기술의 문제입니다.
차량 테스트용. 이제 길이가 2*10^6이고 첫 번째 차이 계열에 대한 자기상관 함수가 그림 1에 나와 있습니다. 왼쪽에 있습니다(1과 동일한 첫 번째 카운트는 표시되지 않음). 그림 1과 그림의 첫 번째 차이의 진폭에 대한 분포 함수. 오른쪽에. 분포는 가우시안이 아닌 것으로 특별히 선택되며, 이는 시장 VR에 대해 실제로 관찰되는 분포와 더 일치합니다.
나는 당신에게 말하고 있습니다 - 여기에 사진이 없습니다! 그래도 보이면 도움이 필요합니다 :-)
진지하게, 가장 일반적인 캐주얼 재귀 필터의 작업은 다음과 같은 형식으로 표시됩니다.
y[i]=a*x[i]+b*y[i-1], 여기서 a=0.1, b=0.9
'모바일 쓰기'가 굉장히 불편한데 답변을 드리지 않을 수 없었습니다. Seryoga, 신비한 신호로 이 쓰레기를 의미했다면 yo-yo-yo-my, Seryoga는 말 그대로 헛소리이며 단순히 예측 속성이 없습니다. Burg의 방법의 하이라이트는 현재 값과 미래 값의 공분산 함수를 추정한다는 것입니다. 아마도 이 추정치는 자기상관 추정치로 귀결되며 이론도 이를 허용합니다. 그렇다면 기술의 문제입니다.
수정된 Wiener 급수 게시됨(랜덤, 브라운 유사)
차량 테스트용. 이제 길이가 2*10^6이고 첫 번째 차이 계열에 대한 자기상관 함수가 그림 1에 나와 있습니다. 왼쪽에 있습니다(1과 동일한 첫 번째 카운트는 표시되지 않음). 그림 1과 그림의 첫 번째 차이의 진폭에 대한 분포 함수. 오른쪽에. 분포는 가우시안이 아닌 것으로 특별히 선택되며, 이는 시장 VR에 대해 실제로 관찰되는 분포와 더 일치합니다.
중성자
아마도 당신은 그것이 가우스가 아니라 당신이 선택한 것이 아니라는 것을 놓쳤을 것입니다. 내 연구를 확인하십시오. 도움이 될 수 있습니다.
'디지털 로우패스 필터를 이용한 거래 시스템 구축'
중성자
아마도 당신은 그것이 가우스가 아니라 당신이 선택한 것이 아니라는 것을 놓쳤을 것입니다. 내 연구를 확인하십시오. 도움이 될 수 있습니다.
이것은 정확도의 두 번째 순서입니다. 아마도 그는 중요하지 않을 것입니다.
1차 차분 BP x의 ACF를 스텝의 함수로 구하는 코드입니다. ACF는 1부터 시간까지의 간격에 구축됩니다.