Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Вот те и не применим фурье).
на нижнем рисунке кривая красного цвета полученная в процессе преобразования Фурье и еще пару функций..
зеленная это исходные данные..
В процессе преобразования для получения стабильного процесса в начальной точке time[0] требуется подбор периода преобразования..
Фурье преобразование на этот процес в дальнейшем не влияет..
А что если по вашиму методу пойти дальше, и точно также разложить остаток между красной и зеленой линией?
думаю наш случай.
https://www.mql5.com/go?link=http://dxdy.ru/topic54592.html
а мнк, и мнм возможно уместнее заменить на https://ru.wikipedia.org/wiki/Метод_максимального_правдоподобия
кто что думает вот по этому поводу.
думаю наш случай.
https://www.mql5.com/go?link=http://dxdy.ru/topic54592.html
а мнк, и мнм возможно уместнее заменить на https://ru.wikipedia.org/wiki/Метод_максимального_правдоподобия
Скажу по секрету, МНК и МНМ - это и есть частные случаи ММП.
Добавлю, тоже по секрету всему свету, МНК вытекает из ММП при предположении что ошибка - Гауссовская, а МНМ вытекает из ММП при предположении что ошибка - Лапласовская. То есть, имеем задачу линейного моделирования:
x[n] = SUM( a[i]*f[i][n] ) + e[n], n=1...N
или
x[n] = y[n] + e[n], где y[n] = SUM( a[i]*f[i][n] ), n=1...N
где x[] - входные данные, a[] - коэффициенты, f[][] - регрессионные функции, e[] - ошибка модели. Например, при f[i][n] = exp(j*2*pi*i*n/N), эта формула даёт ряд Фурье. Если преположим что ошибка e[] Гаусовская, т.е. P(e) ~ exp(-e^2/2/s^2), то ММП ведёт к МНК, т.е. поиску коэффициентов a[] путём минимизации суммы квадратов ошибки:
Obj Func = SUM(e[n]^2) = SUM( (x[n] - y[n])^2 ).
Если преположим что ошибка e[] Лапласовская, т.е. P(e) ~ exp(-|e|/s), то ММП ведёт к МНM, т.е. поиску коэффициентов a[] путём минимизации суммы модулей ошибки:
Obj Func = SUM(|e[n]|) = SUM( |x[n] - y[n]| ).
В более общем случае, ошибку можно описать супер-Гаусовским распределением P(e) ~ exp(-e^q). Почему все выбирают Гаусовское распределение? Да потому что МНК линейной модели легко решается методами дифференцирования Obj Func и приравнивания результата нулю. Откуда вытекает например метод разложения данных в ряд Фурье. Попробуйте продифференцировать SUM( |x[n] - y[n]| ).
Так какое же распределение ошибки правильное? Зависит от природы процесса, который мы моделируем нашей линейной моделью. Если Вы уверены что
(1) биржевые цены описываются линейной моделью с синусами и косинусами, и
(2) ошибка модели должна подчиняться Лапласовскому распределению,
то вперёд, минимизируйте SUM( |x[n] - y[n]| ). Не забудьте при этом послать аппликацию на Филдсовскую премию.
Не забудьте при этом послать аппликацию на Филдсовскую премию.
Математика - язык науки. Прямого отношения к фактам она не имеет.
Но факты иногда можно весьма точно описывать на языке математики и называть это, скажем, физикой.
короче получается что физику всегда можно описать через математику, но математику не всегда можно объяснить физикой, правильно? если да, то математика, как царица наук, в очередной раз накаутировала рациональное сознание)))
Какое рациональное сознание? Вписывать синусоиды в цены? Или делать это по МНМ? И в чём тут физика? Поймите что в ряд N величин можно вписать любые N ортогональные функции, не только синусы и косинусы как в Фурье. Тогда задумайтесь почему именно синусы и косинусы имеют физический смысл для моделирования рыночных цен?