Teoria do Fluxo Aleatório e FOREX - página 13
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Duvido que possamos falar de velocidade e muito menos de aceleração. pelo menos na mesma veia que a velocidade e aceleração das aeronaves.
Concordo que velocidade e aceleração são diferentes. Mas eles estão tanto lá quanto lá. Esta abordagem torna possível prever
Mas então a questão dos testes de portfólio viria em força total - mais uma vez o problema cresce imenso :-(.
De seu artigo "Estimativa de velocidade sob previdência":
Д(t),V(t),a(t) – детерминированные составляющие соответственно дальности, скорости и ускорения;
DV(t), Da(t) são componentes de flutuação de velocidade e aceleração;
Aqui está um artigo de imprensa aberto (anexo), que diz sobre nossas pesquisas no final do artigo. E a ACF do TDS (Doppler frequency trajectories) real é dada (a freqüência Doppler é diretamente proporcional à velocidade), veja Fig. 9. Compare-os visualmente com a ACF I publicada ("Teoria do Fluxo Aleatório e FOREX" ou aqui "Teoria do Fluxo Aleatório e FOREX" ). Quando vi esta curva, não pude acreditar em meus olhos, eu a verifiquei 20 vezes (eu a construí usando métodos diferentes, agora eu a verifiquei através do 3º método, não há erro).
Alfa, beta e sigma, apenas estabelecidos sob a forma de ACF (que são inseridos nestas equações), é um elo inercial da 2ª ordem. Fisicamente, ele realiza suas oscilações, em torno de um certo nível, se não vier energia externa, as oscilações são amortecidas. Se um impulso vier (a oscilação) pode se mover para um novo nível, e ele irá oscilar novamente.
Se você varia a profundidade da amostragem, diferentes oscilações (rápidas, lentas, sobre o que diz o artigo), ou seja, o movimento total é como se fosse composto de todas estas oscilações com diferentes (alfa, beta, sigma). Multidimensionalidade e multidimensionalidade do movimento.
No processamento ideal, para cada oscilação você precisa ter um filtro diferente. Mas este é um número infinito de filtros Kalman ;-(. Escrevi anteriormente que mais arte (cálculos de corte) cada um de nós pode precisar de diferentes detalhes deste processo para construir um TS. E alguém, digamos, quer considerar a relação das diferentes moedas (análoga à do mestre-escravo neste artigo), há uma correlação entre elas e isto também pode ser colocado no modelo, estimar este movimento e direcionar a energia do forex para o seu bolso, não tudo, um pouco de beliscão e o suficiente :-).
P.S. Eu duvidei da fórmula (10), algo não se encaixa ali. E no livro, também, parece ser um erro de impressão. Fui a Tikhonov por causa disso, mas suas idéias estão vivas e ali estão seus alunos, Kharisov e Yarlykov, é difícil encontrá-los apenas na Academia, como último recurso irei a Bogdanov em Tver (autor deste artigo e supervisor deste trabalho e de minha dissertação ao mesmo tempo).
Para um processo de cotas (e até mesmo sua primeira diferença) é altamente questionável, pois o processo em si não é como um processo estacionário, muito menos como um ergódico. Segundo:
Onde temos a normalidade, Prival?
1. Para um processo quociente (e mesmo sua primeira diferença) é muito duvidoso, pois o processo em si não se assemelha a um processo estacionário, muito menos ergódico.
2. Como estamos em relação à normalidade, Prival?
1. ACF foi construído para Y-mu, ou seja, a "tendência" mu=y(x)=a+b*x foi previamente removida do processo de cotação, portanto o MOG do processo = const (uma das condições de estacionaridade 0 em nosso caso). Não há nenhum problema para Kalman determinar a "tendência" - este é o componente de velocidade detrita. O restante após a remoção da "tendência" é o componente de fluxo da velocidade. Concordo que o componente fluctacional não é um processo ergódico, mas há áreas em que ele corresponde ao elo oscilatório e acho que haverá muitas delas na história (chamadas planas). Há algumas seções que não correspondem, isso significa que outro modelo deve ser usado no filtro. Deveria haver muitos filtros desse tipo, idealmente infinitos. Quando eu estava tentando explicar a física, "como no receptor, você gira o botão para obter uma estação (tendência) e mantê-la lá". Perdeu uma estação, girou o botão até tocar a notícia aha, trabalhou fora da notícia, foi novamente girar mais. Então, aí está. Mas é mais complicado e em fórmulas".
Se um fluxo de citações corresponde ao modelo anexo, então tudo está bem, ouvimos as notícias, a tendência, o flat, etc. Quando o sinal desaparece (a discrepância na saída do filtro excede um limite) tudo o que precisamos é girar um botão e procurar um filtro dos 99 (bilhões-1) restantes que seja mais apropriado ao processo atual (o modelo embutido nele).
A única coisa a que quero prestar atenção, que ninguém cancelou o teorema de Kotelnikov, se as citações chegarem em 1 vez em 1 minuto (trabalhamos por minutos) que processos acessíveis para pesquisa tenham um período de pelo menos 2 min, na prática é melhor que a freqüência de amostragem em 5-8 vezes acima da freqüência máxima. Se você projeta (focalizar) o trabalho da TS em notícias, então devemos mudar para carrapatos.
2. Provavelmente existe normalidade, leia cuidadosamente a condição que diz "um vôo horizontal reto", significa MOJ=const e não muda, não importa qual seção deste intervalo de tempo tomamos. Encontre tal área nas aspas e veja (+-1 pips dentro de uma hora no MOJ=const). Não se preocupe com o intervalo :-) Frase supérflua no artigo, sem relação com a essência da pesquisa.
E em geral meus dedos doem :-) colocar fones de ouvido.
Você precisa fazer um filtro Kolman em MQL, aqui é como ele se parece no MathCad
índices "T", "-1" - operações de transposição, cálculo de matriz inversa. Todas estas são matrizes (matrizes) e devem ser programadas de acordo com a álgebra matricial http://alglib.sources.ru/matrixops/
Há fragmentos de códigos C, mas eles precisam ser verificados. Tudo funciona em matkadel.
Não sei se posso fazer isso no trabalho, mas é uma tarefa digna para um mestre, talvez no meu tempo livre. O objetivo é a máxima velocidade e precisão do cálculo. Matriz H tipo inteiro (consistindo de 0 ou 1). O resto é o dobro.
Ou qualquer um que possa lidar com isso, basta acenar com a cabeça. Vou tentar escrever instruções detalhadas passo a passo (tenho experiência em programação MQL).
Isto significa que 10-100 bilhões de filtros Kalman estão trabalhando em paralelo e cada um deles recebe cotações. Se o fluxo de cotações corresponde ao modelo aninhado, então tudo está bem, ouvimos notícias, tendências, planos, etc. Se não houver sinal (a discrepância na saída do filtro excede o limite) tudo o que temos que fazer é escolher um filtro entre os 99 (bilhões-1) restantes que melhor corresponda ao processo em andamento (o modelo incluído nele).
O principal problema no comércio - quando o modelo é reconhecido de forma mais ou menos confiável, as probabilidades de sua continuação e colapso são mais ou menos as mesmas. Temo que esta regra se aplique a todos os filtros 10-100-milliard Kalman.
Isto significa que 10-100 bilhões de filtros Kalman estão trabalhando em paralelo e cada um deles recebe cotações. Se o fluxo de cotações corresponde ao modelo aninhado, então tudo está bem, ouvimos as notícias, tendências, planos, etc. Quando o sinal desaparece (a discrepância na saída do filtro excede o limite) tudo o que temos que fazer é procurar um filtro dos 99 (bilhões-1) restantes que melhor corresponda ao processo atual (o modelo embutido nele).
O principal problema no comércio é que quando um modelo é reconhecido de forma mais ou menos confiável, as probabilidades de sua continuação e colapso são praticamente as mesmas. Temo que esta regra se aplique a todos os filtros Kalman de 10-100m também.
Bem, acho que essa é uma afirmação excessivamente dura. De fato, não há estudos que forneçam estatísticas sobre a vida útil dos modelos. Além disso, não há dados sobre a quantidade de informação (=lag time) necessária para reconhecer um modelo. Mesmo aqueles que introduzem e utilizam esses modelos preferem não conduzir ou publicar tais estudos. Obviamente, acredita-se que se a estratégia tem um motivo positivo, então o modelo é reconhecido antes que as probabilidades sejam igualadas.
E existem tais estratégias, ao vivo. Olhe para Melhor. Seu Conselheiro Especialista realmente faz o que eu queria implementar no meu - ele reconhece os pontos de virada e entra no início da onda. E ele se move tanto para cima quanto para baixo. Aqui você tem uma previsão e o reconhecimento antes.
Quanto ao programa de Prival eu diria o seguinte: é interessante, há uma idéia, o paralelo não é tão distante. Infelizmente não entendi matemática, tenho muitos casos próprios, mas se a matriz de transição não é algo fixo, pode haver uma solução nesse sentido. Mas a parte computacional precisa estar menos espalhada. Se apenas o processo de cálculo direto requer cálculos acima de 10-100 bilhões de filtros, então podemos esquecer os carrapatos. E há também o problema inverso, devemos de alguma forma ajustar os parâmetros às mudanças das condições do mercado.
Portanto, é necessário estimar claramente os recursos tanto em termos de memória como de tempo de ciclo de computação. Caso contrário, podemos obter um ciclo de cálculo de 5-10 horas. Quais serão então as novidades? Tudo o que teremos que fazer é jogar por dias ou semanas. :-)
Existem variantes de construção do F adaptativo, a elas se procede se o cálculo paralelo de vários filtros excede em custo computacional a adaptação. ou seja, a matriz F(t,ACF,L) depende do tempo, parâmetros ACF e L - algumas propriedades de fluxo. Mas este já é o domínio da filtragem não-linear. Por enquanto, gostaria de permanecer dentro dos limites da filtração linear. Disque em estatísticas para ACF em áreas típicas (mercado tranquilo, abertura de sessão, divulgação de notícias, várias tendências com parâmetros diferentes, várias flautas com parâmetros diferentes). Como dizem, puxar os cordelinhos para ver. Penso que cerca de 10-16 filtros serão suficientes, quando uma discrepância aparecer, divergência do modelo, uma decisão deve ser tomada (ponto crítico do mercado - ponto de decisão). Neste momento, mudar para as funções de decisão estatística Wald. De alguma forma, até agora não tenho respostas para todas as perguntas, apenas um caminho claro e um objetivo.
Sim sobre o tempo de detecção, depende da qualidade das características e do conjunto de modelos. Pode ser instantâneo. Exemplo (digamos no conjunto) haverá 2 filtros responsáveis por trabalhar com lacunas (1 para cima 1 para baixo). A seleção de todo o conjunto de modelos é inequívoca + o traço é bastante poderoso :-).