Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Evet, prensipte bunu az çok uygun bir seçenek olarak yapıyorum.
Başka bir benzer modelde, bazen küçük farklılıklar, sapmaların nasıl elde edildiğini de gözlemledim.
Ancak yukarıdaki ekrandaki kadar uzun süreli değil, çok kısa süreli. Bu da neden böyle olduğunu merak etmemi sağladı.
Bu modeli denedim ve daha da uzun bir dalgıç gördüm.
Bu farklılığın nereden geldiğini anlamıyorum. Yanlış model veya yüksek kaliteli ilk veriler değil.
mantığını anlamıyorum.
Veya orijinal verileri yaklaşık olarak normale ayarlayın,
Veya farklı modelleri kürekle.
Ama önce bu modeli yazmaya çalışın, inanıp çöpe atmak o kadar kolay değil ))
yetersiz model
Bunun neden olduğunu aşağıdaki anormalliği anlayamıyorum.
Teoride en küçük karelerden daha iyi bir ortogonal model hesapladım.
Başlangıç oranları var.
Ayrıca, model parametreleri (katsayılar) medyan algoritmasına, yani aykırı değerlerden bir tür sağlamlığa göre seçilir.
Model, orijinal seriyi niteliksel olarak tanımlar.
"Ortogonal" model nedir? Ortogonal fonksiyonlar sistemi açısından genişleme yapıyor musunuz? Ardından, hangi ağırlıkta olduklarını görün - anormal davranışlar buna bağlı olabilir. Örneğin, bir ortogonallik parçasının kenarlarında.
"Ortogonal" model nedir?
Ortogonal fonksiyonlar sistemi açısından genişleme yapıyor musunuz?
Ardından, hangi ağırlıkta olduklarını görün - anormal davranışlar buna bağlı olabilir.
Örneğin, bir ortogonallik parçasının kenarlarında.
Hayır, bu bir fonksiyon ayrıştırması değil.
Bu, her örnekleme zamanında normalin (phi) eğiminin hesaplandığı bir ortogonal regresyondur.
Normal, bir çizgiden bir noktaya olan en kısa mesafedir.
Ayrıca açının (phi) eğimine göre modelin katsayıları hesaplanır.
Kartezyen koordinat sistemi
Ortogonal uydurma En küçük kareler uydurma
Muhtemelen anormal yerlerde bu açıların değerlerini kontrol etmek gerçekten gerekli olacaktır.
Bu, her örnekleme zamanında normalin (phi) eğiminin hesaplandığı bir ortogonal regresyondur.
peki, buna insan gibi deyin ve isimlerle gelmeyin - MNPK veya TLS
Ve eksenler farklı boyutlardaysa bunun anlamı nedir?
peki, insanca deyin ve isimlerle gelmeyin - MNPK veya TLS
ve eksenler farklı boyutlarda ise bunun anlamı nedir?
Ne buluşundan bahsediyorsun?
Ortogonal regresyon, ortogonal model, kafanız mı karıştı?
Evet, bu, medyan üzerinde bir revizyon ile TLS.
Rakamlar örnek olarak alınmıştır. Ve sorunu çözmüyorlar.
Yani çizimlerdeki eksenler aynı boyutta, sadece çizimlerin ölçeği biraz farklı çıktı.
Bu, ortogonalliği anlamak için kritik değildir.
Ortogonal regresyon, ortogonal model, kafanız mı karıştı?
evet katılıyorum yanlış
Hayır, bu bir fonksiyon ayrıştırması değil.
Bu, her örnekleme zamanında normalin (phi) eğiminin hesaplandığı bir ortogonal regresyondur.
Normal, bir çizgiden bir noktaya olan en kısa mesafedir.
Ayrıca açının (phi) eğimine göre modelin katsayıları hesaplanır.
Kartezyen koordinat sistemi
Ortogonal uydurma En küçük kareler uydurma
Muhtemelen anormal yerlerde bu açıların değerlerini kontrol etmek gerçekten gerekli olacaktır.
https://www.mql5.com/en/forum/368720#comment_22203978 , rakamların alt kısmı - "anormal" ayrışmanın başladığı yer, gerilemenin (doğrusal) olduğu oranda neredeyse bir sıçramada bulunur. veya doğrusal olmayan - hepsi aynı Y'nin x'in bir fonksiyonu olarak temsilleridir) bozulur, tutarsızlık keskin bir şekilde artar. Ve hem trigonometrik hem de cebirsel polinomlar tarafından yaklaşıklığın kalıntısı, süreklilik modülüyle orantılıdır (Jackson-Stechkin eşitsizliğine göre, "Süreklilik Modülü" wikisine bakın). Bir fonksiyonun davranışının sürekli fonksiyonların davranışına yakınlık özelliği. Bu şekilde gösterilen durumda, süreklilik modülünün ayrık analoğu keskin bir şekilde sıfıra yakın yükselir.
Sonra genişlemedeki katsayıları değiştirirsiniz (doğrusal - Y iki fonksiyonda genişletilirse: Y1(x) = 1; Y2(x) = x, a ve b katsayılarıyla: Y(x)=a+bx) zaten yavaş [ sürekli], medyan yumuşatma ile. Ve atlamada elde edilen bu katsayıların değerleri, atlamadan sonra herhangi bir andan itibaren yönteminize göre yaklaşım başlatılırsa veya atlamanın yerini alırsa sahip olacakları değerlere dönmek için acelesi yoktur. parkurun aynı noktaya çok hızlı olmayan bir hareketi.
Bu arada, oranın neredeyse aniden değiştiği belirli bir durum için https://www.mql5.com/en/forum/368720/page2#comment_22207994'te sağladığınız resimlere benzer resimleri görmek ilginç olurdu.
https://www.mql5.com/en/forum/368720#comment_22203978 , rakamların alt kısmı - "anormal" ayrışmanın başladığı yer, gerilemenin (doğrusal) olduğu parkurda neredeyse bir atlamada bulunur. veya doğrusal olmayan - hepsi aynı Y'nin x'in bir fonksiyonu olarak temsilleridir) bozulur, tutarsızlık keskin bir şekilde artar. Ve hem trigonometrik hem de cebirsel polinomlar tarafından yaklaşıklığın kalıntısı, süreklilik modülüyle orantılıdır (Jackson-Stechkin eşitsizliğine göre, "Süreklilik Modülü" wikisine bakın). Bir fonksiyonun davranışının sürekli fonksiyonların davranışına yakınlık özelliği. Bu şekilde gösterilen durumda, süreklilik modülünün ayrık analoğu keskin bir şekilde sıfıra yakın yükselir.
Sonra genişlemedeki katsayıları değiştirirsiniz (doğrusal - Y iki fonksiyonda genişletilirse: Y1(x) = 1; Y2(x) = x, a ve b katsayılarıyla: Y(x)=a+bx) zaten yavaş [ sürekli], medyan yumuşatma ile. Ve atlamada elde edilen bu katsayıların değerleri, atlamadan sonra herhangi bir andan itibaren yönteminize göre yaklaşım başlatılırsa veya atlamanın yerini alırsa sahip olacakları değerlere dönmek için acelesi yoktur. parkurun aynı noktaya çok hızlı olmayan bir hareketi.
Bu arada, oranın neredeyse aniden değiştiği belirli bir durum için https://www.mql5.com/en/forum/368720/page2#comment_22207994'te sağladığınız resimlere benzer resimleri görmek ilginç olurdu.
İyi düşünülmüş açıklama için teşekkürler!
Zıplama anında ruhumun liflerinde de bir tutarsızlık olduğundan şüpheleniyordum ama bunu doğru bir şekilde formüle edemedim.
Ortanca yumuşatma fiilen uygulandığından, pencere boyutuna bağlı olarak atlamadan sonra, bu sıçramanın hafızası hala kalır.
mql5'te bir dağılım grafiğiyle, onu nasıl düzelteceğimi henüz bulamadım. Eğitim sürecindeyken. Bu tür grafikleri görmek de ilginç.
Grafiği gösterir göstermez koordinatlarla nasıl başa çıkacağımı bilmiyorum, o yüzden hemen.
Medyan yumuşatma olmadan, saf katsayılarda doğru gibi görünüyor
ama sonra böyle bir iyileşme resmi ortaya çıkıyor
Katma.
Açıklığa kavuşturmayı unuttum, orijinal veriler hala zayıflıkları belirlemek için dönüşümsüz logaritmik.
Logaritma artışları - çalışmayacak mı?
Çok boyutlu normallik gerektirir. o kadar ucuza alamazsın)