Elliot Dalga Teorisine dayalı ticaret stratejisi - sayfa 282
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
İşte sana katılıyorum. Karşılaştırmaya gelince... Dalgacıklar için bahsettiğiniz özellikleri (frekans yanıtı, PF vb.) doğrudan hesaplamak o kadar kolay değil. Şimdi bunun için teoriye derinlemesine girmek istemiyorum. Bununla birlikte, belirli fiyat aralıklarıyla bazı denemeler yapmayı planlıyorum. Anlamlı bir sonuç alırsam - paylaşacağım. Ama zaman alır...
Temel olarak, ben de katılıyorum. Sadece farklı alanlar kendi terminolojilerini, temel bir terimler grubunu geliştirmiştir ve bu kümeler genellikle kesişmez.
Tahminle ilgili başka bir nüans. Orijinal fiyat serisini, tabiri caizse, bir bütün olarak tahmin edebiliriz - örneğin, bir polinomla yaklaştırarak ve bu polinomu geleceğe devam ettirerek (bu örneği aşağıda veriyorsunuz).
Ama başka bir yaklaşım var. İlk önce dizimizi daha basit bileşenlere ayırabiliriz. Fourier, dalgacıklar ve diğerleri gibi bilgi kaybı olmadan birçok geri dönüşümlü dönüşüm vardır. Daha sonra her bileşen için bir ekstrapolasyon yaparız. Ve bu parçalar bütünden daha basit olduğundan, tahminde bulunmak daha kolay veya en azından daha uygun ve verimli olacaktır. Ve belki daha iyi olacak. Elde edilen sonucu geri çeviriyoruz, böylece bir bütün olarak seri için bir ekstrapolasyon elde ediyoruz.
Tabii ki, bu iki yaklaşım temelde eşdeğerdir, ancak ikincisini daha çok seviyorum. Muhtemelen sadece ben değil. Fourier harmoniklerini kullanarak fiyat tahminini tartışmak için internette bir kereden fazla karşılaştım. Gerçi gördüklerim oldukça sakardı. Buna göre sonuç.
Herhangi bir ekstrapolasyonun, zaman serisinin (TS) seçilen yönü "takip etme" özelliğine sahip olduğunu ima ettiğini savunuyorum. Gerçekten de, n'inci dereceden bir polinom ile bir adım önde tahminde bulunarak, orijinal serinin ikinci ... n- 1'inin birinci türevinin SÜREKLİLİK olduğunu varsayıyoruz, en azından bu adımda ... yol açıyorum? Birinci türevin yarı kalıcılığı, seçilen zaman çerçevesinde (TF) VR'nin pozitif otokorelasyon katsayısından (CA) başka bir şey değildir. Brown tipi VR'ye ekstrapolasyon uygulamanın anlamsız olduğu bilinmektedir. Niye ya? Evet, böyle bir serinin CA'sı aynı şekilde sıfıra eşittir! Ama sonuçta, negatif KA'lı VR'ler var... onlara ekstrapolasyon uygulamak basitçe yanlıştır (eğer haklıysam) - fiyatın tahmin edilen yönün tersi yönde gitme olasılığı daha yüksektir.
Ve bir şeyler atıştırmak için: Forex piyasasındaki hemen hemen tüm VR'lerin negatif bir otokorelasyon işlevi vardır (bu, KA'dan her türlü zaman dilimi için oluşturulmuş bir işlevdir) - bu tıbbi bir gerçektir! İstisnalar, küçük zaman dilimlerindeki bazı para birimi araçları ve haftalık zaman dilimlerinde Sberbank ve RAO EU hisseleridir. Bu, özellikle, hareketli ortalamaların çalışmasına dayanan modern TS pazarındaki çalışamazlığı açıklar - aynı ekstrapolasyon girişimi.
Yanılmıyorsam dalgacıklar, a priori, işlevlerini doğru bir şekilde yerine getiremeyecekleri bir alanda kendilerini bulurlar.
Önceki yazılarınızı doğru hatırlıyorsam, otokorelasyon fonksiyonunu hesaplamak için öncelikle fiyat serilerini farklılaştırıyorsunuz. Bu nedenle, dikkat edin, serinin çok sayıda düşük ve orta frekans harmoniklerini atıyorsunuz! İstatistikler için bu yaklaşım elbette mantıklı. Ama bebeği suyla birlikte buraya atmıyor muyuz?
Ne de olsa, düşük frekanslarda birçok ilginç şey yatıyor. Örneğin, trend hareketleri.
Ampirik düzeyde, herkes piyasa modellerinin tekrar ettiğini kabul eder. Gerçekten de, ikiz kardeşler gibi benzer, ancak çok önemli zaman dilimleri (bazen yıllar) ile ayrılmış herhangi bir finansal enstrümanın tarihinde trend kanalları veya diğer rakamları bulmak kolaydır. Bu bir gerçektir. Umarım bununla tartışmazsınız?
Ayrıca, bu "olguların" özellikleri (eğilim kanalının doğal frekansları, ortalama ömür vb. - şimdi onları nasıl tanımladığımı genişletmeyeceğim) genellikle pratik olarak çakışmaktadır (karşılaştırılabilir ölçeklerde - dakikaları karşılaştırmak anlamsızdır ve günler), ancak zamanla aniden değişmez, ancak her zaman sorunsuz bir şekilde sürüklenir. Bu gerçeği dalgacık yöntemleri yardımıyla görsel olarak kanıtlayabilirim. Şimdilik, ayrı örnekler üzerinde, ancak yakında tarihle ilgili temsili istatistikler alacağım.
Bu ne anlama gelebilir? Doğrudan bir bilgi bağlantısı olası değildir, piyasa uzun vadeli hafızası - bundan şüpheliyim, piyasanın bir tür iç yapısının tezahürü, hakkında hiçbir şey bilmediğimiz derin özellikleri - mümkün. Görünüşe göre, piyasanın zamanla sorunsuz ve sakin bir şekilde sıraladığı bir dizi doğal frekans var.
Neden birçok trend kanalı bu kadar benzer? Özellikleri neden bu kadar kararlı? Neden benzer yapılar farklı yuvalama seviyelerinde ortaya çıkıyor ve sıklıklarına göre dağılımları tamamen rastgele değil? Sadece fraktaliteye atıfta bulunmak pek yapıcı değildir. Ve en önemlisi, ticaret için kullanılabilir mi?
Burada istatistiksel yaklaşımı küçümsemeye çalışmıyorum. Bir zamanlar AK'ye dayalı tahmin ufkunu düşündünüz. Var olması harika. Bu gerçeği doğru koşullarda kullanalım!
Ama bana öyle geliyor ki, pazar yalnızca istatistiksel özelliklerle sınırlı değil. Piyasanın "dinamik" özelliklerini görebilir ve yakalayabilirsek, bu bize ek bir avantaj sağlayacaktır. Umarım buna aldırmazsın?
Samimi olarak.
İyi şanslar ve trendleri takip edin!
Ne de olsa, düşük frekanslarda birçok ilginç şey yatıyor. Örneğin, trend hareketleri.
Bu arada, fikir aptalca olabilir, ama yine de. Örneğin, bazı enstrümanlar için düşük frekansları daha da sembolize edecek olan frekans aralığını (muhtemelen değişken) tanımlarız. Sabit bir sürgülü pencere ile satır boyunca ilerliyoruz ve oluşturduğumuz her örnek için (düşük frekanslarda):
- veya bazı toplam katsayılar, örneğin genliklerin toplamı,
- veya düşük frekansların toplam enerjisi
- veya karşılık gelen düşük frekans segmentinin her bir genliğini dikkate alır
- (seçenekler olabilir).
Ayrıca, herhangi bir yöntemi kullanarak (en basit, doğrusal regresyon veya parabolik, daha karmaşık yöntemler, tırtıl, sinir ağları vb. olabilir, henüz önemli değil) kullanarak bu miktarlar için gelecekteki değerleri tahmin ediyoruz.
Gelecekteki okumalarda tahmini harmonik değerleri elde ederek, sinyali "bir şekilde" geri yükleriz, yani. Öngörülen düşük frekansa göre, düşük frekanslı sinyali, gelecekteki "eğilim" gibi geri yükleriz.
İtiraf etmeliyim ki elim daha ulaşmadı. Meslektaşlarım, ne düşünüyorsunuz, genliklerin de rastgele değişkenler olacağını anlıyorum ve henüz?
Ama başka bir yaklaşım var. İlk önce dizimizi daha basit bileşenlere ayırabiliriz. Fourier, dalgacıklar ve bir dizi başka bilgi kaybı olmadan birçok geri dönüşümlü dönüşüm vardır. Daha sonra her bileşen için bir ekstrapolasyon yaparız.
Ayrıca, herhangi bir yöntemi kullanarak (en basit, doğrusal regresyon veya parabolik, daha karmaşık yöntemler, tırtıl, sinir ağları vb. olabilir, henüz önemli değil) kullanarak bu miktarlar için gelecekteki değerleri tahmin ediyoruz.
Hmm, birçok frekansta aynı anda gevşeme anlamına mı geliyor? :) Ama tamam, 1/f hakkında konuşmayacağıma söz verdim :)
Bunun gibi bir şey denemeye başladım, ancak basit ekstrapolasyon iyi bir şey vermedi - görünüşe göre, özetlerken, bireysel bileşenlerin ekstrapolasyon hataları birbirini iptal etmiyor. Belki de çok fazla tahmin ettiğim içindir (5 bar veya daha fazla). Ancak başka bir şey de mümkündür - bileşenlerin genliklerindeki değişiklikler bağımsız değildir. Burada, örneğin, FZ - filtrenin olduğu gibi yüksek frekansları görmediğini söyleyebiliriz. Ama aslında, bir süre sonra hala onlara tepki veriyor. Yani, belli bir son hızla yüksek frekanslardan düşük frekanslara bir enerji pompalanıyormuş gibi. Belki burada bazı desenler ararsınız? Teori bu konuda ne diyor?
Но есть и другой подход. Можно сначала разложить наш ряд на более простые компонетры. Обратимых преобразований без потери информации полно - Фурье, вейвлеты и масса других. Затем мы делаем экстраполяцию для каждого компонента.
Ayrıca, herhangi bir yöntemi kullanarak (en basit, doğrusal regresyon veya parabolik, daha karmaşık yöntemler, tırtıl, sinir ağları vb. olabilir, henüz önemli değil) kullanarak bu miktarlar için gelecekteki değerleri tahmin ediyoruz.
Hmm, birçok frekansta aynı anda gevşeme anlamına mı geliyor? :) Ama tamam, 1/f hakkında konuşmayacağıma söz verdim :)
Bunun gibi bir şey denemeye başladım, ancak basit ekstrapolasyon iyi bir şey vermedi - görünüşe göre, özetlerken, bireysel bileşenlerin ekstrapolasyon hataları birbirini iptal etmiyor. Belki de çok fazla tahmin ettiğim içindir (5 bar veya daha fazla). Ancak başka bir şey de mümkündür - bileşenlerin genliklerindeki değişiklikler bağımsız değildir. Burada, örneğin, FZ - filtrenin olduğu gibi yüksek frekansları görmediğini söyleyebiliriz. Ama aslında, bir süre sonra hala onlara tepki veriyor. Yani, belli bir son hızla yüksek frekanslardan düşük frekanslara bir enerji aktarımı varmış gibi. Belki burada bazı desenler ararsınız? Teori bu konuda ne diyor?
Yani, tüm bunlar saçmalık ve işe yaramıyor. :o(((Yarım yılımı trend kalıplarını arayarak harcadım (eğilim, LR kanalı ve süresinin tahmini anlamına geliyordu) ve gerçekten hiçbir şey bulamadım. Bilinen tüm istatistikleri denedim - hiçbir şey işe yaramadı. bu kanalların uzunluklarını belirlemek için ampirik bir işlev türetmiş ve o zaman bile sonuçta sonuçtan pek memnun kalmamıştır.
Ve tüm hayatınızı frekanslar arasındaki enerji akışında kalıplar arayarak geçirebilir ve hiçbir şey bulamayabilirsiniz. Rağmen…. :hakkında))))
- fiyat serilerini darbeler halinde ortaya koydu (ortalama olarak, 300-500 okumalık seri başına birkaç parça çıktı)
- bir sinir ağının yardımıyla yeni bir dürtü öngördü
- tahmin de dahil olmak üzere bu darbelerin evrişimini gerçekleştirdi
Sonuçlardan pek memnun kalmadım. Bu yüzden düşük frekansları neden tahmin etmeyeyim diye düşündüm.
Aslında bu bir deneme balonuydu ve tüm fikirler gerçekleşmedi. Ama birdenbire anlaşılmaz bir şüphecilik beni ele geçirdi :) ve henüz burayı daha fazla kazmaya başlamadım. Aklımda tutsam da.
Gecikme için özür dilerim. Hayatın kibirlerinin kibri dikkati dağıtır...
Daha önce DWT hakkında çok kısa konuştum. Şimdi CWT hakkında.
Karşılaştırma yapabilmek için bir şeyi tekrarlayacağım:
1. DWT için dalgacıklar mutlaka bir ölçekleme işlevine sahip olmalıdır.
2. DWT, sadece teoride değil, aynı zamanda pratikte de, ters dönüşümle orijinal serinin tam bir yeniden yapılandırmasını (PR) verir.
3. Orijinal serinin üyeleriyle tam olarak aynı sayıda DWT katsayısı vardır. Genellikle farklı uzunluklarda vektörler kümesi olarak depolanırlar.
4. Ölçek, dönüşümün her adımında tam olarak iki kez değişir (ikili dönüşüm - ölçek ölçeği: 1,2,4,8...).
5. Pratikte, DWT katsayıları, orijinal seriye bir dizi kısa filtre uygulanarak hesaplanır. Ayrıştırmada iki filtre ve yeniden yapılandırmada iki (diğerleri) (Mull'un algoritması).
6. ... Gerisi burada ve şimdi önemli değil ...
Beyler, sürekli dönüşüm - CWT, yukarıdaki tüm noktalarda DWT'den farklıdır!
1. CWT için dalgacıkların bir ölçekleme işlevine sahip olması gerekli değildir. Yani DWT'de kullanılan dalgacıklar CWT için oldukça uygundur, ancak bunun tersi doğru değildir. Bu pratik olarak ne anlama geliyor? CWT için dalgacık fonksiyonu, son aralığın dışında 0'a gitmek zorunda değildir, orada hızlı bir şekilde düşmesi yeterlidir. Bu nedenle, burada çok ilginç ve kullanışlı birçok dalgacık kullanmak mümkün hale geliyor. Bunların arasında Morlet dalgacık (çok basit ve kullanışlı bir şey), Meksika şapkası, Gauss dalgacıkları ailesi vb.
2. CWT, yalnızca teoride - bütünleşik temsilinde - tam bir yeniden yapılandırma sağlar. Pratikte, her zaman sonlu bir veri kümesiyle çalışırız ve sonlu bir ölçek kümesi kullanabiliriz (sınırlı bilgisayar belleği, hesaplama süresi, vb.). Ancak bu, tersine dönüşümün imkansız olduğu anlamına gelmez!
Oldukça mümkün! Her şey doğru yapılırsa, o zaman ters dönüşüm sırasında ilk, en düşük frekanslı harmoniklerden sadece birkaçını (sabit bir bileşen ve birinciden bir veya iki tanesi) çarpıtacağız. Uygulamanın gösterdiği gibi, çoğu zaman önemli değil. O yüzden lütfen rahatlayın... devam edelim...
3. CWT çok fazla dönüşümdür. Katsayılar, orijinal serinin terimlerinden daha büyük büyüklük dereceleri olabilir. Genellikle dikdörtgen bir matris halinde düzenlenirler. Genişliğine göre - zamana (orijinal serinin üye sayısı), yükseklik ölçeğine göre.
Dikdörtgen matris nedir? Doğru şekilde. Uygun ölçekleme ile veriler bir görüntüdür, bir resimdir.
CWT hakkında kişisel olarak en çok sevdiğim şey bu. Bir zamanlar görüntü tanıma anlamında da dahil olmak üzere görüntü işlemeyle çok yakından ilgilendiğim için, bu tür görüntüleri doğru bir şekilde işleyebilir ve üzerlerinde her türlü farklı özelliği arayabilirim. Bu özelliklerin orijinal seri ile kolayca ilişkilendirilebilmesi de büyüleyici ve verilen özelliğin orijinal seride hangi yere karşılık geldiğini her zaman söyleyebilirsiniz. Fiyat serileri için CWT sonuçlarında, piyasanın çok ölçekli doğası tüm ihtişamıyla görülebilir, fraktallık bir kerede ortaya çıkar - basitçe açıkça görülebilir ve çok, çok daha fazlası.
4. CWT ölçeği herhangi biri olabilir. Daha doğrusu, tekdüze büyüyen herhangi bir doğal sayı dizisi olabilir. Doğrusal mı, logaritmik mi yoksa başka bir şey mi istiyorsunuz? Belirli bir görev için daha uygun olan şey. Ve bu iyi!
5. CWT'nin pratik olarak hesaplanması zor değildir. Dalgacık fonksiyonu uygun bir şekilde ayrıklaştırılır ve dönüşümün doğruluğunu ne kadar iyi elde etmek isterseniz, o kadar çok puan almanız gerekir. Daha sonra birinci ölçeğe göre esnetilir ve verilerle sarılır. Yani - bir takım elbise deneyin. Ölçek kümesini tüketene kadar her şeyi tekrarlıyoruz. Sonuç, önceden hazırlanmış bir matrisin karşılık gelen satırlarına yazılır. Ters dönüştürme de sorunlara neden olmaz. Literatürden alınan ters CWT formülüne göre hareket ediyoruz.
Bununla birlikte, bir dezavantaj var - çok fazla hesaplama ve çok fazla bellek tüketimi. Şimdiki ortalama bilgisayarımda (üç yıl önce iyiydi), 2000-3000 numunelik fiyat serisi parçalarının işlenmesi 15-20 saniye sürüyor. C++ kodu son derece optimize edilmiş olmasına rağmen - evrişim teoremi kullanılır ve dünyadaki en hızlı Fourier dönüşüm kitaplıklarından biridir. Evet... Bunu MQL'de programlayamazsınız.
Şimdi, CWT ile piyasa analizi yönünde atılan ilk adımlar ve fiyat eğrilerini tahmin etme yöntemlerinin araştırılması hakkında.
Başlangıç olarak, Morlet dalgacıkını işe aldım. Bu dalgacıklı CWT, Gauss pencereli pencereli Fourier dönüşümüne eşdeğerdir. Eh, bu bütün ders kitaplarında yazılıdır... Sadece bir dalgacık parametresi seçerek, zaman ve frekans alanlarındaki genişliklerinin oranını değiştirebilirsiniz. O konforlu.
Şekilde ayrıca, örnek olarak, EURUSD serisi için CWT'nin (en yüksek, genişleme katsayıları koşullu renklerle gösterilir - yükseklerin daha açık olduğu, en düşüklerin daha koyu olduğu yerlerde) - saatlik kapanış fiyatları. Parça tarihten alınmıştır - bence tam olarak neresi şimdi önemli değil. Fiyat aralığı aşağıdadır.
Burada ne söylenebilir? Piyasanın fraktalitesi açıkça görülebilir. Fiyat eğrisinin en yüksek ve en düşük noktaları iyi bir şekilde yerelleştirilmiştir. O kadar kolay değil, ancak resimdeki yapılar farklı ölçeklerde trend kanallarıyla ilişkilendirilebilir. Başka? Not - dikkate değer bir gerçek görülüyor - piyasa belirli ölçekleri sevmiyor!
Burada oldukça tipik bir resim gösterdim. Zaman içinde bu tür birkaç resim yapar ve bunları yan yana koyarsanız, bazı yapıların nasıl ortaya çıktığını, geliştiğini, sonra ortadan kaybolduğunu, yerlerini diğerlerinin nasıl aldığını takip edebilirsiniz. Hatta bir düzenlilik yanılsaması bile var. Aynı zamanda resimlerin üç boyutlu bir temsile dönüştürülmesine de ilham verir. Bununla daha iyi başa çıkmak için, bu tür resimlerden bir film yapmak istiyorum. Ama uzun zaman alacak...
Diğer dalgacıklar benzer resimler verir, ancak Morlaix ile onların yorumu daha doğrudandır.
O yüzden şimdilik buna takıldım.
Bu tür resimlere bakmanın yanı sıra daha anlamlı şeyler yapabilirsiniz.
Örneğin, dalgacık spektrumlarını elde etmek için. Bu mümkündür çünkü Parseval'in dalgacıklar için teoremi çalışır. Morlet dalgacık durumunda, spektrumu Fourier spektrumunun bir analogudur, sadece güçlü bir şekilde düzleştirilir ve başka şekilde ölçeklenir. Ancak, analiz için, cennet ve yeryüzüdür. Fiyat serisinin bölümleri için Fourier spektrumlarına çok baktım, ancak bu çitlere bakarak kesin bir sonuca varamadım. Burada her şey açık ve mantıklı görünüyor. Ancak, bu spektrumlar hakkındaki tartışma uzun sürebilir. Burada ve şimdi olmayalım. Kusura bakmayın henüz resim koyamadım. Sadece başka bir bilgisayarda var - getirmem gerekiyor. İlgilenirseniz daha sonra yayınlarım.
Şimdi ekstrapolasyon. Ve serinin kendisi yerine CWT matrisini tahmin edelim. Nasıl? Telif haklarına riayet ederek ayrıntılar hakkında sessiz kalacağım. Ama havalı ve çok önemsiz olmayan bir fikir var. İçimden bir ses bana burada ya harika bir şey yapabileceğini ya da... çok büyük bir tırmıkla basabileceğini söylüyor. Her iki durumda da, gizliliğimin nedenlerini anlayacaksınız. Fikirleri koda çevirmem, bunları geçmiş ve demo üzerinde test etmem, bu sonuçları sindirmem gerekiyor - sonra bir şey hakkında konuşabilirim. Ve hepsi bu, ne yazık ki, uzun zamandır.
Bir tohum için, 200 sayım ileride (mavi eğri) fiyat serisinin bir parçasını tahmin etmenin sonucuyla bir resim yayınlıyorum.
Tabii ki, bu her zaman çok iyi sonuç vermiyor, ancak oldukça sık. Ne sıklıkla - kontrol etmedi. Hiç bir anlamı yok. Daha ilk denemeydi. Algoritma tamamen ilkel, akla gelen ilk şey. Şimdi bütün bunlardan vazgeçti.
Son. İlginiz için teşekkür ederim!
İşe gittim, diğer her şey tartışma sırasına göre.
Herkese ve geçen trendlere bol şans!
Ayırt ederken, sinyalin düşük frekanslı bileşeni hakkındaki bilgiler kaybolmaz. Aslında, bir dizi artıkları entegre ettikten sonra, tüm trendler artı belirli bir sabit ile orijinal zaman serisini elde edeceğiz. Bu nedenle, orijinal serilerin türev yoluyla durağanlığı matematiksel açıdan oldukça doğrudur. Ancak burada, bir başkasında bir pusu ortaya çıkar: komşu örneklerin yanlış bir korelasyonu oluşturulur, ancak bu ayrı bir şarkıdır.
Aksi takdirde Andre69, sana katılıyorum. Ve bilgilendirici cevaplar için teşekkürler.
Yurixx'e
Açıklığa kavuşturacağım: yakın gelecek için ekstrapolasyondan bahsediyoruz.
Böylece, alışılmış ikinci dereceden fonksiyonun yardımıyla (sayı serisinin doğası gereği buna gerçekten izin vermesi koşuluyla), dönüm noktasının yaklaşımını tahmin etmek mümkündür. Ve bu tam olarak herkesin ihtiyacı olan şey. Özellikle - daha yüksek dereceli polinomlar.
Genel durumda bir zaman serisinin n'inci derecedeki polinomlarla enterpolasyonu için bir kağıt parçasına formüller yazmaya başladım ve biliyorsun Yura, sonunda ne elde ettim? - Bir noktada mahallede Taylor serisi açılımı (RT)! Dehasına şaşırdı :-) ve biraz düşündükten sonra böyle olması gerektiği sonucuna vardı. Aslında, özünde, RT, birinci, ikinci, ..., n-1 türevlerinin davranışını modelleyen, her zamankinden daha büyük derecelerdeki polinomları, giderek daha küçük ağırlıklarla toplayarak, orijinal fonksiyona noktalara bir yaklaşımdır. Tanım olarak, bu aparat, eğer ilk sıra DÜZGÜN ise, yani. türevler tanımlanır ve n-1 th'e kadar vardır. VR finansal araçları, düzgün olanlar sınıfına ait değildir; bu, RT'deki genişlemenin bunlara uygulanamayacağı veya aynı olan, polinomlarla ekstrapolasyonun kullanılabileceği anlamına gelir.
Bu arada, bir dizinin akıcılığı KA'nın pozitifliğinden başka bir şey değil! Onlar. sıra, yön değiştirmektense başladığı hareketi sürdürmeyi tercih ederdi. Evet, iş! Düzgün DEĞİL işlevleri ve analizleri için yöntemleri inceleme alanında bir matematik bölümü oluşturmamız gerekiyor gibi görünüyor ...
Candida'ya
Yaklaşık bir buçuk yıl önce, Fourier analizini kullanarak VR'nin ekstrapolasyonuna aktif olarak katıldım. Rastgele, önceden belirlenmiş sayıda harmoniği toplayan ve bunları belirli sayıda sayım için geleceğe genişleten bir program yazdı. Kodun doğruluğunu kontrol etmek için, ilk piyano tuşunun sesini sayısallaştırdım (merak edenler için, LA taşeron sözleşmesi 500'den fazla harmonik içerir ve analiz edilmesi çok zordur), bu satıra bir kod koydum ve onları birkaç için ileriye doğru tahmin ettim. ana harmoniğin periyotları. Sonuç, güzelliği ile beni etkiledi - ortaya çıkan ses, gerçek olandan ayırt edilemedi. Onlar. kodum, bu lanet olası ses kargaşasının daha fazla davranışını mükemmel bir şekilde öngördü !!! İlham aldım, Piyasayı kırmaya hazırdım ... ama piyasa beni fark etmedi. Üstüme çıktı - tepeden tırnağa silahlı bir asker ve HIS yoluna gitti! Bütün mesele, piyasada HİÇBİR durağan harmonik olmadığı ortaya çıktı ...
Bütün mesele, piyasada HİÇBİR durağan harmonik olmadığı ortaya çıktı ...
Anladığımı sanıyordum :). Her harmonik için ekstrapolasyon katsayıları, her çubukta yeniden hesaplandı. Taban, harmonik periyodunun dörtte birine eşitti, ekstrapolasyonun uzunluğu periyodun sekizde biri idi. Ayrıca amaç sürekli bir tahmin elde etmek değildi. Amaç, en azından bazı siteler için iyi bir tahmin elde etmek ve ardından bu sitelerin diğerlerinden nasıl farklı olduğunu anlamaya çalışmaktı. Ne yazık ki, ortaya çıkan tahmin fiyatları, durmuş bir saatin zamanı gösterdiği gibi gösterdi :)
Genel olarak, harmoniklerin katlanmasını değil, biraz (veya daha doğrusu TAMAMEN) başka bir şey demek istedim. Tamam, zaman ayırıp kontrol edeceğim.