내가 이미 썼듯이 전체 트릭은 모델을 식별하는 것입니다. 작업은 정말 어렵습니다. 마찬가지로 "눈으로"는 해결되지 않습니다. 그리고 개념적으로 말하자면, "주파수 영역에서의 예측"은 일부 작업에서 사용되지만 매우 구체적인 작업에서 사용됩니다.
나는 거의 한 달을 PF로 해체하는 데 보냈다. 내가 예측하려고 시도하지 않은 것: 시계열, 이동 평균, 지표, 그리고 모든 예측 결과는 50-50(또는 그 정도)이었습니다.
이산 코사인 변환으로 아이디어를 구현하려고했습니다. 불행히도 역 코사인 변환 후 다음 그림을 얻었습니다. 복원 된 신호에서 마지막 막대 (사실상 예측이 이루어짐)는 단순히 끝에서 두 번째 막대 (훈련 샘플의 마지막 막대)를 반복했습니다. ) 약간의 오류가 있습니다.
만일을 대비하여 내가 한 일에 대한 간단한 알고리즘을 설명하겠습니다.
START = 1:FRAME 숫자로 시작하는 데이터의 테스트 세트를 가져왔습니다.
각 데이터 세트에 대해 WIND 창을 선택했습니다(즉, START:START + WIND 범위에서 선택됨).
각 창에 대해 코사인 변환을 수행했습니다.
모든 결과는 FRAME x WIND 행렬에 추가되었습니다. 여기서 열은 각 주파수에 대한 코사인 변환 계수이고 행은 각 테스트 데이터 세트에 대한 하나의 주파수에 대한 계수입니다.
계수가 있는 각 열에 대해 작은 신경망이 훈련되었으며, 이 신경망은 이전 4개의 값을 사용하여 사인 곡선의 향후 변화를 1 bar로 매우 잘 예측했습니다. AR 예측 결과가 매우 좋지 않았기 때문에 신경망으로 눈을 돌렸습니다.
마지막 막대가 원하는 값인 예측 데이터 세트에 대해 예측 계수 세트를 얻었습니다. 예측된 계수는 역코사인 변환을 거쳤습니다.
이제 잠시 멈춥니다... 아아, 기적은 일어나지 않습니다. 예측된 막대는 작은 오류로 테스트 시퀀스의 끝에서 두 번째 막대를 반복했습니다. 결과를 분석해 보니 첫 번째 막대도 약간 변경되었고 나머지는 변경되지 않고 단순히 한 위치만 이동하는 것으로 나타났습니다. 그러나 마지막 막대는 예측 대신 단순히 끝에서 두 번째 막대를 반복했습니다. (위 그림 참조).
아마도 이 결과는 일부 수학자에게 유용할 것이지만 EURUSD 쌍을 예측하는 작업에서는 쓸모없는 것으로 판명되었습니다. 아아. 까지. )))
나는 거의 한 달을 PF로 해체하는 데 보냈다. 내가 예측하려고 시도하지 않은 것: 시계열, 이동 평균, 지표, 그리고 모든 예측 결과는 50-50(또는 그 정도)이었습니다.
이산 코사인 변환으로 아이디어를 구현하려고했습니다. 불행히도, 역코사인 변환 후에 다음과 같은 그림을 얻었습니다. 재구성된 신호에서 마지막 막대(실제로 예측이 수행됨)는 일부를 사용하여 끝에서 두 번째 막대(훈련 샘플의 마지막 막대)를 단순히 반복했습니다. 작은 오류.
만일을 대비하여 내가 한 일에 대한 간단한 알고리즘을 설명하겠습니다.
START = 1:FRAME 숫자로 시작하는 데이터의 테스트 세트를 가져왔습니다.
각 데이터 세트에 대해 WIND 창을 선택했습니다(즉, START:START + WIND 범위에서 선택됨).
각 창에 대해 코사인 변환을 수행했습니다.
모든 결과는 FRAME x WIND 행렬에 추가되었습니다. 여기서 열은 각 주파수에 대한 코사인 변환 계수이고 행은 각 테스트 데이터 세트에 대한 하나의 주파수에 대한 계수입니다.
계수가 있는 각 열에 대해 작은 신경망이 훈련되었으며, 이 신경망은 이전 4개의 값을 사용하여 사인 곡선의 향후 변화를 1 bar로 매우 잘 예측했습니다. AR 예측 결과가 매우 좋지 않았기 때문에 신경망으로 눈을 돌렸습니다.
마지막 막대가 원하는 값인 예측 데이터 세트에 대해 예측 계수 세트를 얻었습니다. 예측된 계수는 역코사인 변환을 거쳤습니다.
이제 잠시 멈춥니다... 아아, 기적은 일어나지 않습니다. 예측된 막대는 작은 오류로 테스트 시퀀스의 끝에서 두 번째 막대를 반복했습니다. 결과를 분석해 보니 첫 번째 막대도 약간 변경되었고 나머지는 변경되지 않고 단순히 한 위치만 이동하는 것으로 나타났습니다. 그러나 마지막 막대는 예측 대신 단순히 끝에서 두 번째 막대를 반복했습니다. (위 그림 참조).
아마도 이 결과는 일부 수학자에게 유용할 것이지만 EURUSD 쌍을 예측하는 작업에서는 쓸모없는 것으로 판명되었습니다. 아아. 까지. )))
나는 그것이 기적이 될 것이라고 말하지 않았다. 몇 가지 모호성이 있습니다.
계수가 있는 각 열에 대해 작은 신경망이 훈련되었으며, 이 신경망은 이전 4개의 값을 사용하여 사인 곡선의 향후 변화를 1 bar로 매우 잘 예측했습니다. AR 예측 결과가 매우 좋지 않았기 때문에 신경망으로 눈을 돌렸습니다.
나는 그러한 복잡한 시리즈의 4개 숫자에 대한 NN이 미래를 잘 예측할 수 있는지 확신하지 못합니다. 나는 그것을 매우 의심한다. 그리고 그것이 예측한다면 왜 그렇게 강한 불일치가 있습니까? 그리고 "사인파"는 어떻습니까? AR 모델의 경우 각 곡선은 실제로 속성 면에서 매우 가까운 AR 프로세스입니다. 이러한 모델을 식별하는 것은 어렵습니다. 역전 및 후방 예측, Akiake 기준, "가방", 자기회귀 전달 함수, 적합 및 최대 가능성 기준과 같은 많은 방법이 사용됩니다(이상하게 보일 수 있지만 NN보다 복잡함). 및 그 종류), 교차 상관, 확률적 근사, 필터링(모델 식별에도 사용됨).
적어도 아이디어는 당신만큼 좋습니다. : o) 작동하지 않으면 작동하지 않고 발생합니다. 시간을 보내서 진심으로 죄송합니다. 여기서 어떤 식 으로든 반품을 도울 수 없습니다. 하지만 만약을 위해 https://forum.mql4.com/en/24888/page9에서 경고했습니다. 이 모델에는 많은 미묘함이 있으며 일부에 대해서는 겸손하게 침묵했습니다. 이러한 미묘함 중 하나는 그러한 모델로 하나의 샘플을 예측하는 것은 무의미하며 단순히 무의미하다는 것입니다. 원하는 정확도를 달성하지 못할 뿐 아니라 결코 달성할 수 없습니다. "통계적" 의미에서 예측할 필요가 있습니다. 문학적으로 표현하자면 이런 것입니다.
나는 그러한 복잡한 시리즈의 4개 숫자에 대한 NN이 미래를 잘 예측할 수 있는지 확신하지 못합니다. 나는 그것을 매우 의심한다. 그리고 예측한다면 왜 그렇게 강한 불일치가 있습니까? 그리고 "사인파"는 어떻습니까?
1. 각 DCT 계수의 변화를 고려하면 귀하가 쓴 것처럼 일종의 "비뚤어진 정현파"(계수의 일련 번호에 해당하는 주파수, 특히 고주파 발진의 경우)와 매우 유사합니다. , 시간이 지남에 따라 진폭이 변경됩니다. Matkad의 예에서 했던 것처럼 정면 예측에 AR을 사용하려고 했습니다.
1 bar에 대해 "rivulina"를 예측하는 것을 고려하면 AR(적어도 Matlab에 있는 모든 공식을 시도했습니다)은 매우 부정확한 결과를 제공합니다. 특히 홀수 기간이 있는 "비뚤어진 사인 곡선"에 대해 이 경우 간단한 신경망(Matlab에서는 newlind 함수로 구현됨(신경망이 아닌 선형 방정식 세트에 대한 솔버인 것 같습니다))은 1점에 대해 예측할 때 다음을 제공합니다. 아주 좋은 (시각적으로) 결과.
2. "사기꾼" 세트에 대한 예측은 매우 좋은 결과를 제공합니다. 50개 막대 중에서 48개 막대를 정확하게(거의 정확하게) 예측하고 왼쪽으로 1칸 이동하고 1개 막대에서만 실수를 범합니다(나는 그렇지 않습니다) 이유를 알고) 그리고 마지막에 (아아, 실제로 모든 것이 완료되었습니다). 분명히, 각 "krivulin"에 대한 예측의 "미세 오류"는 정확히 이런 방식으로 역변환 중에 합산됩니다.
나는 알고리즘을 "기만"하려고 시도했고 테스트 세그먼트 안에 마지막 막대를 숨기려고 시도했지만(저는 간단한 원으로 이동했습니다) 어쨌든, 잘못된 것은 이 마지막 막대와 첫 번째 막대였습니다.
3. 그런데 종가(가장 예측하기 힘든 계열) 뿐만 아니라 고/저/개도, 그 차이, 지그재그 저점과 고점까지 예측해 보았습니다. (왜곡된 시간 축이 있는 시리즈의 예). 결과가 같기 때문에 결론은 분명합니다. "이마에" 이 방법은 N-2 막대를 1 막대만큼 왼쪽으로 잘 이동하지만 외환 시리즈를 예측하지 않습니다.
AR 모델의 경우 각 곡선은 실제로 속성 면에서 매우 가까운 AR 프로세스입니다. 이러한 모델을 식별하는 것은 어렵습니다. 역전 및 후방 예측, Akiake 기준, "가방", 자기회귀 전달 함수, 적합 및 최대 가능성 기준과 같은 많은 방법이 사용됩니다(이상하게 보일 수 있지만 NN보다 복잡함). 및 그 종류), 교차 상관, 확률적 근사, 필터링(모델 식별에도 사용됨).
두 번째로 감사합니다 - 많은 새로운 이름 - 시도할 것이 더 있습니다!
이 모델에는 많은 미묘함이 있으며 일부에 대해서는 겸손하게 침묵했습니다. 이러한 미묘함 중 하나는 그러한 모델로 하나의 샘플을 예측하는 것은 무의미하며 단순히 무의미하다는 것입니다. 원하는 정확도를 달성하지 못할 뿐 아니라 결코 달성할 수 없습니다. "통계적" 의미에서 예측할 필요가 있습니다. 문학적으로 표현하자면 이런 것입니다.
확실히 떠날 가치가 있습니다 ...
질문을 마무리하기 위해 다음은 일반적인 결과를 보여주는 그림입니다.
파란색 - 가격
빨간색 - 0에서 시작하는 코사인 변환이 있는 프로그램에 대한 예측
보라색 - 동일한 곡선이지만 예측 시작점(100)에서 계산됨
녹색 - 가격 곡선을 기반으로 한 예측일 뿐입니다(내장된 예측 기능을 사용했습니다).
내가 이미 썼듯이 전체 트릭은 모델을 식별하는 것입니다. 작업은 정말 어렵습니다. 마찬가지로 "눈으로"는 해결되지 않습니다. 그리고 개념적으로 말하자면, "주파수 영역에서의 예측"은 일부 작업에서 사용되지만 매우 구체적인 작업에서 사용됩니다.
내가 이미 썼듯이 전체 트릭은 모델을 식별하는 것입니다. 작업은 정말 어렵습니다. 마찬가지로 "눈으로"는 해결되지 않습니다. 그리고 개념적으로 말하자면, "주파수 영역에서의 예측"은 일부 작업에서 사용되지만 매우 구체적인 작업에서 사용됩니다.
나는 거의 한 달을 PF로 해체하는 데 보냈다. 내가 예측하려고 시도하지 않은 것: 시계열, 이동 평균, 지표, 그리고 모든 예측 결과는 50-50(또는 그 정도)이었습니다.
이산 코사인 변환으로 아이디어를 구현하려고했습니다. 불행히도 역 코사인 변환 후 다음 그림을 얻었습니다. 복원 된 신호에서 마지막 막대 (사실상 예측이 이루어짐)는 단순히 끝에서 두 번째 막대 (훈련 샘플의 마지막 막대)를 반복했습니다. ) 약간의 오류가 있습니다.
만일을 대비하여 내가 한 일에 대한 간단한 알고리즘을 설명하겠습니다.
이제 잠시 멈춥니다... 아아, 기적은 일어나지 않습니다. 예측된 막대는 작은 오류로 테스트 시퀀스의 끝에서 두 번째 막대를 반복했습니다. 결과를 분석해 보니 첫 번째 막대도 약간 변경되었고 나머지는 변경되지 않고 단순히 한 위치만 이동하는 것으로 나타났습니다. 그러나 마지막 막대는 예측 대신 단순히 끝에서 두 번째 막대를 반복했습니다. (위 그림 참조).
아마도 이 결과는 일부 수학자에게 유용할 것이지만 EURUSD 쌍을 예측하는 작업에서는 쓸모없는 것으로 판명되었습니다. 아아. 까지. )))
나는 거의 한 달을 PF로 해체하는 데 보냈다. 내가 예측하려고 시도하지 않은 것: 시계열, 이동 평균, 지표, 그리고 모든 예측 결과는 50-50(또는 그 정도)이었습니다.
이산 코사인 변환으로 아이디어를 구현하려고했습니다. 불행히도, 역코사인 변환 후에 다음과 같은 그림을 얻었습니다. 재구성된 신호에서 마지막 막대(실제로 예측이 수행됨)는 일부를 사용하여 끝에서 두 번째 막대(훈련 샘플의 마지막 막대)를 단순히 반복했습니다. 작은 오류.
만일을 대비하여 내가 한 일에 대한 간단한 알고리즘을 설명하겠습니다.
이제 잠시 멈춥니다... 아아, 기적은 일어나지 않습니다. 예측된 막대는 작은 오류로 테스트 시퀀스의 끝에서 두 번째 막대를 반복했습니다. 결과를 분석해 보니 첫 번째 막대도 약간 변경되었고 나머지는 변경되지 않고 단순히 한 위치만 이동하는 것으로 나타났습니다. 그러나 마지막 막대는 예측 대신 단순히 끝에서 두 번째 막대를 반복했습니다. (위 그림 참조).
아마도 이 결과는 일부 수학자에게 유용할 것이지만 EURUSD 쌍을 예측하는 작업에서는 쓸모없는 것으로 판명되었습니다. 아아. 까지. )))
나는 그것이 기적이 될 것이라고 말하지 않았다. 몇 가지 모호성이 있습니다.
계수가 있는 각 열에 대해 작은 신경망이 훈련되었으며, 이 신경망은 이전 4개의 값을 사용하여 사인 곡선의 향후 변화를 1 bar로 매우 잘 예측했습니다. AR 예측 결과가 매우 좋지 않았기 때문에 신경망으로 눈을 돌렸습니다.
나는 그러한 복잡한 시리즈의 4개 숫자에 대한 NN이 미래를 잘 예측할 수 있는지 확신하지 못합니다. 나는 그것을 매우 의심한다. 그리고 그것이 예측한다면 왜 그렇게 강한 불일치가 있습니까? 그리고 "사인파"는 어떻습니까? AR 모델의 경우 각 곡선은 실제로 속성 면에서 매우 가까운 AR 프로세스입니다. 이러한 모델을 식별하는 것은 어렵습니다. 역전 및 후방 예측, Akiake 기준, "가방", 자기회귀 전달 함수, 적합 및 최대 가능성 기준과 같은 많은 방법이 사용됩니다(이상하게 보일 수 있지만 NN보다 복잡함). 및 그 종류), 교차 상관, 확률적 근사, 필터링(모델 식별에도 사용됨).
적어도 아이디어는 당신만큼 좋습니다. : o) 작동하지 않으면 작동하지 않고 발생합니다. 시간을 보내서 진심으로 죄송합니다. 여기서 어떤 식 으로든 반품을 도울 수 없습니다. 하지만 만약을 위해 https://forum.mql4.com/en/24888/page9에서 경고했습니다. 이 모델에는 많은 미묘함이 있으며 일부에 대해서는 겸손하게 침묵했습니다. 이러한 미묘함 중 하나는 그러한 모델로 하나의 샘플을 예측하는 것은 무의미하며 단순히 무의미하다는 것입니다. 원하는 정확도를 달성하지 못할 뿐 아니라 결코 달성할 수 없습니다. "통계적" 의미에서 예측할 필요가 있습니다. 문학적으로 표현하자면 이런 것입니다.
Gransn, 어쨌든 아이디어 주셔서 감사합니다! 과정은 즐거웠고 시간은 아쉽지 않습니다)) 그러나 결과는 여전히 일 것입니다!
grasn писал(а) >>
나는 그러한 복잡한 시리즈의 4개 숫자에 대한 NN이 미래를 잘 예측할 수 있는지 확신하지 못합니다. 나는 그것을 매우 의심한다. 그리고 예측한다면 왜 그렇게 강한 불일치가 있습니까? 그리고 "사인파"는 어떻습니까?
1. 각 DCT 계수의 변화를 고려하면 귀하가 쓴 것처럼 일종의 "비뚤어진 정현파"(계수의 일련 번호에 해당하는 주파수, 특히 고주파 발진의 경우)와 매우 유사합니다. , 시간이 지남에 따라 진폭이 변경됩니다. Matkad의 예에서 했던 것처럼 정면 예측에 AR을 사용하려고 했습니다.
1 bar에 대해 "rivulina"를 예측하는 것을 고려하면 AR(적어도 Matlab에 있는 모든 공식을 시도했습니다)은 매우 부정확한 결과를 제공합니다. 특히 홀수 기간이 있는 "비뚤어진 사인 곡선"에 대해 이 경우 간단한 신경망(Matlab에서는 newlind 함수로 구현됨(신경망이 아닌 선형 방정식 세트에 대한 솔버인 것 같습니다))은 1점에 대해 예측할 때 다음을 제공합니다. 아주 좋은 (시각적으로) 결과.
2. "사기꾼" 세트에 대한 예측은 매우 좋은 결과를 제공합니다. 50개 막대 중에서 48개 막대를 정확하게(거의 정확하게) 예측하고 왼쪽으로 1칸 이동하고 1개 막대에서만 실수를 범합니다(나는 그렇지 않습니다) 이유를 알고) 그리고 마지막에 (아아, 실제로 모든 것이 완료되었습니다). 분명히, 각 "krivulin"에 대한 예측의 "미세 오류"는 정확히 이런 방식으로 역변환 중에 합산됩니다.
나는 알고리즘을 "기만"하려고 시도했고 테스트 세그먼트 안에 마지막 막대를 숨기려고 시도했지만(저는 간단한 원으로 이동했습니다) 어쨌든, 잘못된 것은 이 마지막 막대와 첫 번째 막대였습니다.
3. 그런데 종가(가장 예측하기 힘든 계열) 뿐만 아니라 고/저/개도, 그 차이, 지그재그 저점과 고점까지 예측해 보았습니다. (왜곡된 시간 축이 있는 시리즈의 예). 결과가 같기 때문에 결론은 분명합니다. "이마에" 이 방법은 N-2 막대를 1 막대만큼 왼쪽으로 잘 이동하지만 외환 시리즈를 예측하지 않습니다.
AR 모델의 경우 각 곡선은 실제로 속성 면에서 매우 가까운 AR 프로세스입니다. 이러한 모델을 식별하는 것은 어렵습니다. 역전 및 후방 예측, Akiake 기준, "가방", 자기회귀 전달 함수, 적합 및 최대 가능성 기준과 같은 많은 방법이 사용됩니다(이상하게 보일 수 있지만 NN보다 복잡함). 및 그 종류), 교차 상관, 확률적 근사, 필터링(모델 식별에도 사용됨).
두 번째로 감사합니다 - 많은 새로운 이름 - 시도할 것이 더 있습니다!
이 모델에는 많은 미묘함이 있으며 일부에 대해서는 겸손하게 침묵했습니다. 이러한 미묘함 중 하나는 그러한 모델로 하나의 샘플을 예측하는 것은 무의미하며 단순히 무의미하다는 것입니다. 원하는 정확도를 달성하지 못할 뿐 아니라 결코 달성할 수 없습니다. "통계적" 의미에서 예측할 필요가 있습니다. 문학적으로 표현하자면 이런 것입니다.
세 번째 감사합니다. "통계적"의미로 시도합시다))
도와 줄 수있어서 기뻐. 행운을 빕니다 :)
그건 그렇고, 멀지 않은 '실시간 예측 시스템 테스트' 주제에서 이 방법에 대한 예측을 게시하려고 합니다. 시간이 있으면 월요일까지, 없으면 나중에. "들어가다"라고 하는 것.
1. 아이디어가 떠올랐습니다. 코사인 변환을 두 번 적용하면(테스트 세그먼트의 처음부터 사인파와 매우 유사한 각 "도둑질"에), 이것이 예측 속성을 "개선"하지 않습니까? 과정의? 내일 결과를 올리도록 노력하겠습니다.
2. 물론, 특정 유형의 프로세스에 대한 장기 예측의 경우 AR이 더 나을 것이지만 두 정현파의 중첩은 신경망에 의해 완전히 보간될 수 있습니다.
3. 이 방법의 경우 Close 자체 대신 ln(Xi/Xi-1)을 예측하는 것이 더 낫다는 것을 올바르게 이해했습니까(여기 어딘가에서 귀하의 게시물을 읽었습니다)?
1. 아이디어가 떠올랐습니다. 코사인 변환을 두 번 적용하면(테스트 세그먼트의 처음부터 사인파와 매우 유사한 각 "도둑질"에), 이것이 예측 속성을 "개선"하지 않습니까? 과정의? 내일 결과를 올리도록 노력하겠습니다.
2. 물론, 특정 유형의 프로세스에 대한 장기 예측의 경우 AR이 더 나을 것이지만 두 정현파의 중첩은 신경망에 의해 완전히 보간될 수 있습니다.
3. 이 방법의 경우 Close 자체 대신 ln(Xi/Xi-1)을 예측하는 것이 더 낫다는 것을 올바르게 이해했습니까(여기 어딘가에서 귀하의 게시물을 읽었습니다)?
1. 당신은 그것을 시도해야합니다
2. 사실 주파수 역학에는 주기가 없습니다. 이것은 복잡한 과정이며 사인 곡선의 중첩이 전혀 아닙니다.
3. 예, 이것은 고정 시리즈로 줄이는 옵션 중 하나입니다.