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
São os que não aplicam Fourier).
a curva em vermelho na imagem inferior é a transformada de Fourier e um par de outras funções...
verde são os dados brutos...
O processo de transformação de Fourier requer um período de seleção para obter um processo estável no ponto de partida[0]...
A transformação de Fourier não tem mais nenhum efeito sobre este processo.
E se você for mais longe com seu método e decompuser o resíduo entre a linha vermelha e verde da mesma maneira?
Acho que este é o nosso caso.
https://www.mql5.com/go?link=http://dxdy.ru/topic54592.html
e mnc, e mmm pode ser mais apropriado para substituir por https://ru.wikipedia.org/wiki/Метод_максимального_правдоподобия
que está pensando sobre isso.
Acho que este é o nosso caso.
https://www.mql5.com/go?link=http://dxdy.ru/topic54592.html
e mnc, e mmm pode ser mais apropriado para substituir por https://ru.wikipedia.org/wiki/Метод_максимального_правдоподобия
Vou lhe dizer em confidência, MNC e MNM são casos especiais de MMP.
Acrescentarei, também em confidência, que o LHC segue do LMP sob a suposição de que o erro é gaussiano, enquanto o CMM segue do LMP sob a suposição de que o erro é Laplace. Ou seja, temos um problema de modelagem linear:
x[n] = SUM( a[i]*f[i][n] ) + e[n], n=1...N
ou
x[n] = y[n] + e[n], onde y[n] = SUM( a[i]*f[i][n] ), n=1...N
onde x[] são os dados de entrada, a[] são os coeficientes, f[][] são as funções de regressão e e[] é o erro do modelo. Por exemplo, se f[i][n] = exp(j*2*pi*i*n/N), esta fórmula dá uma série de Fourier. Se assumirmos que o erro e[] é gaussiano, ou seja, P(e) ~ exp(-e^2/2/s^2), então MMP leva a MNC, ou seja, a encontrar os coeficientes de a[], minimizando a soma dos quadrados do erro:
Objeto Func = SUM(e[n]^2) = SUM( (x[n] - y[n])^2 ).
Se assumirmos que o erro e[] é Laplacean, ou seja, P(e) ~ exp(-|e|/s), então MMM leva a MNM, ou seja, encontrar os coeficientes de a[], minimizando a soma dos módulos de erro:
Objeto Func = SUM(|e[n]|) = SUM( |x[n] - y[n]| ).
De modo mais geral, o erro pode ser descrito pela distribuição super gaussiana P(e) ~ exp(-e^q). Por que todos escolhem a distribuição gaussiana? Porque o ANC do modelo linear pode ser facilmente resolvido diferenciando o Func Objetos e igualando o resultado a zero. É daqui que vem o método de expansão da série Fourier. Tente diferenciar SUM( |x[n] - y[n]| ).
Então, qual distribuição de erros é correta? Depende da natureza do processo que estamos modelando com nosso modelo linear. Se você estiver certo disso.
(1) os preços de câmbio são descritos por um modelo linear com pecados e cossenos, e
(2) o erro do modelo deve obedecer à distribuição de Laplace,
então vá em frente e minimize SUM( |x[n] - y[n]| ). Não se esqueça de enviar a inscrição para o Prêmio Fields no processo.
Não se esqueça de enviar uma inscrição para o Prêmio Fields quando o fizer.
A matemática é a linguagem da ciência. Não está diretamente relacionado a fatos.
Mas os fatos às vezes podem ser descritos com muita precisão na linguagem da matemática e chamados, digamos, de física.
Em resumo, acontece que a física sempre pode ser descrita através da matemática, mas a matemática nem sempre pode ser explicada pela física, certo? se sim, então a matemática, como rainha das ciências, mais uma vez castigou a mente racional)))
Que consciência racional? Escrevendo ondas sinusoidais nos preços? Ou fazer isso pela MNM? E qual é a física envolvida? Entenda que qualquer função ortogonal N pode ser escrita em uma série de quantidades de N, não apenas peca e cosseno como em Fourier. Então pense por que são os pecados e os co-sines que fazem sentido físico para modelar os preços de mercado?