stokastik rezonans - sayfa 16
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
İlginç bir makale http://elementy.ru/lib/164581
Peki neyimiz var? Gürültü var - oldukça güçlü: oynaklık. Zayıf bir düzenli sinyal var (pek periyodik değil, ama kesinlikle öyle). Normal sinyalin zayıflığı, güçlü trendlerde bile oynaklığın kendisine kıyasla çok düşük getirilerle doğrulanır. Bu değerleri daha önce bir yerde bir örnek kullanarak belirtmiştim: günlük euro grafiklerinde 6 yıldır yukarı yönlü bir trend devam ediyor, bu yaklaşık 1600 günlük bar. Bu süre zarfında euro 6.000 puanı geçti. Bu, getiri beklentisinin 4 puandan az olduğu anlamına gelir (düzenli zayıf etki). Aynı zamanda günlük getirilerin oynaklığı onlarca puan (gürültü) civarındadır.
Sabit durumlar - ters çevirmeler veya düzeltmeler sırasında tepelerde düzlükler. Trendler, bir daireden diğerine istikrarsız geçiş durumlarıdır. Bir trendden önce, normal bir sinyal düz gürültü ile güçlendirilir ve kendini seviyeden seviyeye keskin, genellikle ani sıçramalarla gösterir.
İşte bundan pratik bir şey nasıl elde edilir?
PS Peki, örneğin, düzenli bir sinyal elde etmek için volatiliteden sadece rastgele bir bileşen (saf gürültü) nasıl çıkarılır? Oynaklığın kalıcı olmayan bir süreç olduğu bilinmektedir. Sadece bir sabiti çıkarmak işe yaramaz, çünkü bir trend sırasında sinyal güçlendirilir. Eğilimsizliştirmek? Ve ilginç bir şekilde, amplifikasyon faktörü nedir?
Merhaba.
Uzun zamandır sistemlerimde rezonans kullanıyorum. Özellikle ilginç seçenekleri açıklamadan şunu söyleyebilirim - herhangi bir trend göstergesi alın.
Aynı göstergenin 2 periyodu ile başka bir şey yapın ve piyasanın zirvelerinde ve diplerinde rezonanslar elde edin.
Kesin olarak belirlemeyi öğrenmeniz gereken tek şey, ribaundlar sırasında poza girme anıdır. Böyle bir göstergenin ekran görüntüsünü ekliyorum.
Hindinin bir kopyasının diğerinden daha uzun bir periyodu olduğundan, net rezonanslar elde etmek için çiftleri ve TF'yi ayarlamanız gerektiğini düşünüyorum.
Geçen bir trend ve büyük karlar.
Normal olarak dağılmış bir X değerleri dizisi olduğunu varsayalım. Dizinin üye sayısı N=1000000, ortalama değer A, oran S'dir. X öğelerinin değer kümesinin olduğu açıktır. yukarıdan sınırlandırılmış, yani tüm X [0,Xmax] aralığına aittir. Dizinin M=100 üyeli bir örneğini alıyoruz ve ortalama XM'sini hesaplıyoruz. Orijinal dizinin M öğelerini içeren tüm ardışık örneklerden yeni bir Y = {XM} dizisi oluşturuyoruz. Y değerleri kümesinin de sınırlı olduğu açıktır.
Üst ve alt sınırları, yani değer aralığı [Ymin,Ymax] nasıl bulunur?
Doğal olarak, matematiksel istatistikler aracılığıyla analitik değerlendirmeyle ilgileniyorum (ne yazık ki, bu konuda güçlü değilim). Alnına güvenmek zor değil, ama ilginç değil. Bu aralığın sınırlarının N ve M oranına ve orijinal dizinin istatistiksel özelliklerine bağımlılığını elde etmek ilginçtir.
X bir rasgele değişken ise, Y, X ile aynı dağılıma sahip M bağımsız rasgele değişkenin toplamıdır. Dolayısıyla, eğer X normalse, o zaman Y de S/sqrt(M) varyansıyla normaldir. Maksimum ve minimum değerler sorunu, yalnızca serinin belirli bir uygulaması için (yani, kafa kafaya sayma) gündeme getirilebilir, keyfi bir uygulama için sadece olasılıklar hakkında konuşabiliriz.
Not: Yukarıdakiler, kendimi matematik konusunda uzman olarak gördüğüm anlamına gelmez. İstatistik :)
Ayrıca bir uzman gibi davranmıyorum, ancak NSV toplamının varyansı = varyansların toplamı. Bu nedenle, Dsum=M*D => Ssum=sqrt(M)*S (Ssum, Y dağılımının sigmasıdır, S, X dağılımının sigmasıdır).
Rastgele değişkenlerin toplamının matematiksel beklentisi, matematiksel beklentilerin toplamına eşittir Asum=M*A
Herhangi bir aralıkta SW Y bulma olasılığı yardımla bulunabilir. Laplace fonksiyonunun değer tabloları. Örneğin sonuç olarak 3 sigmada 0.9973 olasılıkla olacaktır. Onlar. SV bu olasılıkla şu aralıkta kalacaktır: -3*Ssum+Varsayılan<Y<3*Ssum+Varsayılan => -3*S*sqrt(M)+A*M<Y<3*S*sqrt(M) +A *M
Örneğin. Dağılım fonksiyonu biliniyorsa, herhangi bir X0 için >=X0 değerine sahip bir elemanın dizisinde meydana gelme olasılığı P bilinir. Dizi N eleman içeriyorsa, X>=X0 koşulunu sağlayan dizinin toplam eleman sayısı P*N'ye eşittir. Bu değer 1'den küçük ise yani 0 adet ise istatistiksel olarak Xmax<X0. Ancak bu, elbette, >=X0 öğesinin gerçekte böyle bir dizide görünemeyeceği anlamına gelmez.
...sonra şah mat. X>=X0 koşulunu sağlayan dizinin eleman sayısının beklentisi P*N'ye eşittir. Bu değer her zaman 1'den küçüktür (tabii ki dağıtım fonksiyonu yapay olarak kesilmedikçe). Bir >= X0 sayısının N uzunluğundaki bir dizide görünmeme olasılığı teorik olarak (1-P)^N'ye eşittir.
PS "Bu değer her zaman 1'den küçüktür (tabii ki dağıtım işlevi yapay olarak kesilmedikçe)" ifadesi P'ye atıfta bulunur, yani esasen yeni bilgi taşımazlar ve bu ifadede gereksizdir :)
Ayrıca bir uzman gibi davranmıyorum, ancak NSV toplamının varyansı = varyansların toplamı. Bu nedenle, Dsum=M*D => Ssum=sqrt(M)*S (Ssum, Y dağılımının sigmasıdır, S, X dağılımının sigmasıdır).
Ayrıca bir uzman gibi davranmıyorum, ancak NSV toplamının varyansı = varyansların toplamı. Bu nedenle, Dsum=M*D => Ssum=sqrt(M)*S (Ssum, Y dağılımının sigmasıdır, S, X dağılımının sigmasıdır).
Koşul nereden: bölü M?
Koşul nereden: bölü M?
Yurixx yazdı:
... Dizinin M=100 üyeli bir örneğini alıyoruz ve ortalama XM'sini hesaplıyoruz. Yeni bir dizi oluşturuyoruz Y = {XM} ...
Bir nöronun girişini besliyoruz - küçük bir ortalama periyodu olan bir osilatör, başka bir nöronun girişini - büyük bir periyodu olan bir osilatör. Çok büyük bir periyot salınımına sahip bir nöron daha ekleyelim.
Bu nöronların çıktılarını, zaten rezonans hakkında veri veren dördüncü nöronun girişine besliyoruz: sayı sıfıra yakınsa, rezonans yok, sıfırdan büyükse ve büyüyorsa, o zaman yukarı doğru dürtü ve yükseliş eğilimi rezonansa girer. Ve tam tersi: sıfırdan küçükse ve düşerse, o zaman aşağı itme ve aşağı eğilim rezonansa girer.
Koşul nereden: bölü M?
Yurixx yazdı:
... Dizinin M=100 üyeli bir örneğini alıyoruz ve ortalama XM'sini hesaplıyoruz. Yeni bir dizi oluşturuyoruz Y = {XM} ...
O zaman üzgünüm, terimleri anlamadım.
Bir dizi ortalama dikkate alındığında ve hatta kesişen bölümlerde bile, bunlar bağımlıdır. Artışı dikkate almak gerekir (bağımsız olacaktır).
XMi - XMi-1=(Xi - Xi-M)/M
Görünüşe göre bu SV mat. beklenti=0, D=2*D1/M, RMS=sqrt(2*D1/M)
Bu doğruysa, Laplace fonksiyonunun değerler tablosunda daha aşağılara inin.
Bir dizi ortalama dikkate alındığında ve hatta kesişen bölümlerde bile, bunlar bağımlıdır.
Yurixx yazdı:
Orijinal dizinin M öğelerini içeren tüm ardışık örneklerden yeni bir Y = {XM} dizisi oluşturuyoruz.
Yani, sadece bağımsız olacaklar
Bir dizi ortalama dikkate alındığında ve hatta kesişen bölümlerde bile, bunlar bağımlıdır.
Yurixx yazdı:
Orijinal dizinin M öğelerini içeren tüm ardışık örneklerden yeni bir Y = {XM} dizisi oluşturuyoruz.
Yani, sadece bağımsız olacaklar
O zaman işe yaramaz:
Yurixx yazdı:
Hayır, sadece M uzunluğundaki örneklerin kayan bir penceresi. Bu nedenle, Y dizisindeki eleman sayısı N-M+1'dir.