1-я и 2-я производная от MACD - страница 25
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
Спасибо. Только поясните, плиз, вот это сверху - это страница из Вашей (неопубликованной) книги, или какой другой?
(Если это Ваше, то сегодня 09-JAN-2012 за Вами тем самым застолблён ВАШ МИРОВОЙ НАУЧНЫЙ ПРИОРИТЕТ путём публикации на форуме).
Разрешите пояснить остальным о чём идёт речь: во многих случаях зашумленного сигнала обычные методы аппроксимации, интерполяции не работают. Обычно в таких случаях применяют метод наименьших квадратов (путём решения переопределённой системы линейных уравнений). Хотя результаты их намного надёжнее, но из-за решения линейной системы все эти методы в СОТНИ РАЗ медленнее обычных простых.
В некоторых, очень некоторых случаях конкретной аппроксимации или конкретного сигнала, отдельным учёным путём чисто аналитических математических ухищрений УДАЁТСЯ свести линейную систему уравнений (двумерную) к более простым способам (одномерным, суммирования или свёртки векторов). Это ускоряет аппроксимацию зашумленного сигнала В СОТНИ РАЗ.
Одним из таких методов является выложенный здесь (впервые в мире) на MQL4.com автором GPWR (Владимир).
Аналогичный подход использовал цитированный мною выше Голобородько из Японии - для вычисления производной зашумленного сигнала. Ему удалось свести (упростить и ускорить) формулы производных до смешного простых типов, без решения системы линейных уравнений.
В цифровой обработке сигналов такой же подход используется в достаточно редких фильтрах savitzky-golay.
https://en.wikipedia.org/wiki/Savitzky%E2%80%93Golay_smoothing_filter
P.S. Добивка для GPWR. По "русскому" стилю правильного английского вижу, что это таки Ваша книга. Замечательно, просто замечательно. Кстати, написано очень доходчиво. Зря Вы её не опубликовали. Для DSP - хороший вклад. Боюсь для трейдинга НАПРЯМУЮ не подходит, разве что в некоторых местах как вспомогательный быстрый способ - возможно.
P.P.S. Всем учиться научному подходу к решению прикладных математических проблем.Вы мне льстите :) Приведённые страницы были из моей неопубликованной книги. Честно говоря когда выводил эти формулы, то ничего особенного не видел. Это же обычная тригонометрическая регрессия: берём тригонометрическую модель ряда, фиксируем частоту w и получаем линейную модель по отношению к её оставшимся параметрам A, B, и средней. А далее как у всех: преполагаем Гауссовский шум, тогда метод максимального правдоподобия сводится к методу наименьших квадратов. Но всё равно спасибо за добрые слова.
Кстати, более серьёзной проблемой является нахождение той самой частоты w. В индикаторе я использовал метод Куина и Фернандеса, который описан далее в моей книге. Легко показать что модель временного ряда x_n основанная на тригонометрической функции x_n = A*cos(w*n+phase)+epsilon_n сводится к
Позже я использовал более точный, но более трудоёмкий метод нахождения частоты, основанный на поиске максимума в спектре. Но оба метода дали мне примерно одинаковые результаты что дало мне большую уверенность в силе алгоритма Куина и Фернандеса.
Вы мне льстите :)
Позже я использовал более точный, но более трудоёмкий метод нахождения частоты, основанный на поиске максимума в спектре. Но оба метода дали мне примерно одинаковые результаты что дало мне большую уверенность в силе алгоритма Куина и Фернандеса.
Ничего я не льщу. Вы, коллега, вероятно не совсем широко себе представляете применимость Вашего метода. Для некоторых приложений DSP увеличение скорости Fit в 100 раз без потери точности (что само по себе эквивалентно увеличению точности в разы) является вопросом жизни и смерти - в прямом смысле. Например, в радиолокаторах самолётов, в ПВО, в противоракетных делах, а также в других приложениях. Вполне пора звонить "куда надо", странно что Вам ещё "оттуда" не позвонили, метод-то до сего дня был практически неизвестен. (Такие "мелочи" как применимость в мобилках и модемов мы тут не обсуждаем.)
И потом, как я ужЕ сказал, успешность применения такого "сократительного" подхода в МНК - редкость в численных методах. Так что не скромничайте.
Ничего я не льщу. Вы, коллега, вероятно не совсем широко себе представляете применимость Вашего метода. Для некоторых приложений DSP увеличение скорости Fit в 100 раз без потери точности (что само по себе эквивалентно увеличению точности в разы) является вопросом жизни и смерти - в прямом смысле. Например, в радиолокаторах самолётов, в ПВО, в противоракетных делах, а также в других приложениях. Вполне пора звонить "куда надо", странно что Вам ещё "оттуда" не позвонили, метод-то до сего дня был практически неизвестен. (Такие "мелочи" как применимость в мобилках и модемов мы тут не обсуждаем.)
И потом, как я ужЕ сказал, успешность применения такого "сократительного" подхода в МНК - редкость в численных методах. Так что не скромничайте.
Хммм... Напишу статьишку - посмотрим что ревьюры скажут.
то же обычная тригонометрическая регрессия: берём тригонометрическую модель ряда, фиксируем частоту w и получаем линейную модель по отношению к её оставшимся параметрам A, B, и средней
Хотелось бы попробовать тригонометрическую регрессию в EViews.
Не могли бы записать или подсказать как записать эту регрессию, чтобы можно было бы оценить параметры в EViews. Там полно методов оценки, это тоже можно менять.
Результат обязательно выложу
то же обычная тригонометрическая регрессия: берём тригонометрическую модель ряда, фиксируем частоту w и получаем линейную модель по отношению к её оставшимся параметрам A, B, и средней
Хотелось бы попробовать тригонометрическую регрессию в EViews.
Не могли бы записать или подсказать как записать эту регрессию, чтобы можно было бы оценить параметры в EViews. Там полно методов оценки, это тоже можно менять.
Извините, но с EViews я не знаком. Если нужен код этого метода то смотрите здесь:
https://www.mql5.com/ru/code/8732
Кстати, ARMA методы эконометрики сводятся к регрессии тригонометрического ряда с затухающими экспонентами типа exp(zeta*n)*cos(w*n+phase). Почитайте вывод метода Прони и всё поймёте. Если не найдёте, то я выложу кусок из моей книги поясняющий всё это.
Извините, но с EViews я не знаком. Если нужен код этого метода то смотрите здесь:
https://www.mql5.com/ru/code/8732
Кстати, ARMA методы эконометрики сводятся к регрессии тригонометрического ряда с затухающими экспонентами типа exp(zeta*n)*cos(w*n+phase). Почитайте вывод метода Прони и всё поймёте. Если не найдёте, то я выложу кусок из моей книги поясняющий всё это.
Указанной страницы нет.
Вашего знания EViews не требуется - это я попытаюсь сделать, но без Вашей помощи не обойтись.
Уравнение в EViews выглядит так для лаговых значений:
EURUSD = c(1) + c(2)*EURUSD(-1) + c(3) * EURUSD(-2) и т.д.
с синусами:
EURUSD = c(1) + c(2)*sin(c(3)* ........ ) ......
Что-то в таком духе. Вид формулы достаточно произвольный. С(i) - это коэф, которые будут оценены разными методами.
Указанной страницы нет.
Код здесь:
https://www.mql5.com/ru/code/8732
Как выводятся коэффициенты там всё понятно. Я за свои коды деньги не беру, а создатели EViews хотят >$1000 за одну копию. Так что помогать им и переводить свой код в формат EViews я не собираюсь.
Код здесь:
https://www.mql5.com/ru/code/8732
Как выводятся коэффициенты там всё понятно. Я за свои коды деньги не беру, а создатели EViews хотят >$1000 за одну копию. Так что помогать им и переводить свой код в формат EViews я не собираюсь.
EViews - это инструмент. У Вас на компе все программы бесплатные, включая винду?
Не хотите, не надо.
...
Это же обычная тригонометрическая регрессия:
...
Все верно, это обычная тр.регрессия. Не очень уверен, что эти два синуса и косинуса совершат революцию в DSP, но попробуйте тиснуть статейку.
Не очень понятно, как Вы собираетесь адекватно идентифицировать модель. Я не имею в виду крепко накрепко "врисовать" модель в ряд, с помощью МНК можно какую угодно модель вписать в какой угодно ряд (с некоторыми допущениями по точности). Я спрашиваю о понимании того, что найденные "оптимальные" параметры сохранятся длительное время в будущем, достаточно длительное, что бы успеть заработать. Есть сильное подозрение, что параметры будут вести себя случайным образом.
Кроме прочего, у модели есть явный недостаток - что бы зарабатывать на ней, нужно прогнозировать далеко. Она не очень точная, более того, она вообще не описывает рынок, это будет видно по анализу ошибки модели, - первые лаги будут сильно коррелированны.
PS: хотя, есть пара мыслей о развитии этой штуки, если они вам интересны - могу написать в личку.
Все верно, это обычная тр.регрессия. Не очень уверен, что эти два синуса и косинуса совершат революцию в DSP, но попробуйте тиснуть статейку.
Не очень понятно, как Вы собираетесь адекватно идентифицировать модель. Я не имею в виду крепко накрепко "врисовать" модель в ряд, с помощью МНК можно какую угодно модель вписать в какой угодно ряд (с некоторыми допущениями по точности). Я спрашиваю о понимании того, что найденные "оптимальные" параметры сохранятся длительное время в будущем, достаточно длительное, что бы успеть заработать. Есть сильное подозрение, что параметры будут вести себя случайным образом.
Кроме прочего, у модели есть явный недостаток - что бы зарабатывать на ней, нужно прогнозировать далеко. Она не очень точная, более того, она вообще не описывает рынок, это будет видно по анализу ошибки модели, - первые лаги будут сильно коррелированны.
PS: хотя, есть пара мыслей о развитии этой штуки, если они вам интересны - могу написать в личку.
По моему мало просвещенному мнению излагаемый подход мало пригоден для рынкета. Все хорошо для улучшения отношения сигнал/шум. Как написано выше для наведения ракет. На рынкете нет сигнала, а самое главное все время плывут характеристики ВР, включая частотные, фазовые. Если мы изначально не признаем нестационарность, то ничего хорошего в принципе не получишь. Признавая нестационарность как минимум можно указать границы применимости метода.
Почему-то замалчиваются методы максимальной энтропии (вроде Burg). Там хорошо видно как плывет АЧХ при изменении размера окна или при его сдвиге. Сразу видно несколько горбов резонансных частот, действующих на анализируемой выборке. И сразу понятно, что всю эту красоту просто так не используешь для прогноза следующего бара и прогнозируешь на святой вере, что АЧХ не изменится при приходе следующего бара. И это очень хороший пример, когда реализованная идея изначально не учитывала нестационарность.