Rastgele Akış Teorisi ve FOREX - sayfa 6

 

dreder , tavsiyen için teşekkürler, ama bunu kullanmam pek olası değil: Ben bir uyuşturucu bağımlısıyım ve bağımlı olmam için tek bir gerçek doz yeterliydi. Ve sen bir bağımlısın, değil mi?

Ve genel olarak - neden bazıları matematikte usta olan (kendimden bahsetmiyorum) dar bir uyuşturucu bağımlıları çemberinde konuşmuyoruz?

2 Samimi: Şimdi toplayıp göndereceğim. Orada Marple, Sato, Wald, Farina, matkad'da DSP ve ACF hesaplaması üzerine dersler. Tüm arşivin bir kerede geçmesini umuyorum (her şeyi 13,5 MB civarında karıştırıyorum, bu yüzden gönderirken 20'den az olacak). Seni başka bir posta kutusundan gönderdim. Cherkani burada sonuç hakkında - veya postada.

 
Prival :

ACF'yi bir örnekle açıklamaya çalışacağım, ...

Eh, temelde ACF'nin tanımını biliyordum, sadece çoğu zaman çok fazla insan, çok fazla formül var :). Kafa kafaya hesaplanmıyorsa tabii.
Klot kitaplığından fastcorellation neden uygun değil?
 
Mathemat :

Ve genel olarak - neden dar bir çevrede konuşmuyorsunuz ...

Ben sadece bunun için varım, sadece matematikte özel değilim, en iyi ihtimalle C notu. Bir havacılık radyo mühendisinin bu zengin deneyiminde kaçırmak için birkaç bardak sular :-)

lna01 fastcorellation hakkında , ne olduğunu bilmiyordum, yine kötü soruları rahatsız etmeye başlarsam özür dilerim :-), orada her şey nasıl değerlendiriliyor.

 
Prival :

lna01 fastcorellation hakkında , ne olduğunu bilmiyordum, yine kötü soruları rahatsız etmeye başlarsam özür dilerim :-), orada her şey nasıl değerlendiriliyor.

İşte daha fazla ayrıntı - http://alglib.sources.ru/fft/fastcorrelation.php
Biçim:
void hızlı korelasyon(çift ve sinyal[], int sinyallen, çift kalıp[], int kalıp)
/******************************************************** **** *******************************
FFT kullanarak korelasyon

Girişte:
Sinyal - ilişkilendirilecek sinyal dizisi.
0'dan SignalLen-1'e kadar öğe numaralandırma
SignalLen - sinyal uzunluğu.

Model - bir model dizisi, aradığımız sinyalin korelasyonu
Öğeleri 0'dan PatternLen-1'e numaralandırma
PatternLen - desen uzunluğu

Çıkışta:
Sinyal - 0'dan 0'a kadar olan noktalarda korelasyon değerleri
SinyalLen-1.
******************************************************* ***** **************************/
 
Evet, her şey açık. Açıklamaya bakılırsa, diziler aslında periyodiktir ve bu tür veriler için ACF, tanım gereği, argümanlardaki farklılığa, yani. otomatik olarak süreç durağan olacaktır. uymuyor...
 
Mathemat :
Evet, her şey açık. Açıklamaya bakılırsa, diziler aslında periyodiktir ve bu tür veriler için ACF, tanım gereği, argümanlardaki farklılığa, yani. otomatik olarak süreç durağan olacaktır. uymuyor...

FFT'yi kullanırsanız, ACF simetrik olacaktır, yani veriler ortasına kadar gereklidir. Nereye koymak istediğini bilmesem de

ACF, argümanların farkına bağlıysa, durağan olmayan

 
Mathemat :
Evet, her şey açık. Açıklamaya bakılırsa, diziler aslında periyodiktir ve bu tür veriler için ACF, tanım gereği, argümanlardaki farklılığa, yani. otomatik olarak süreç durağan olacaktır. uymuyor...
Elbette bunlar periyodiktir, ancak ilk 2^n periyodu sinyallen+kalıptan daha büyük olduğunda, sıfırların eklenmesi bu uzunluğa kadardır - bu kaynak kodundan gelir. Yani, aslında, periyodik olmayan :)
 
y (x) \u003d a * x + b denklemindeki a ve b katsayılarını en küçük karelere göre hesaplayan bir prosedür gereklidir. O zaman belki MQL'deki kavisli ACF algoritmasını tekrar hangi ipliği körlemek benim için işe yarar
 
Prival :
y (x) \u003d a * x + b denklemindeki a ve b katsayılarını en küçük karelere göre hesaplayan bir prosedür gereklidir. O zaman belki MQL'deki kavisli ACF algoritmasını tekrar hangi ipliği körlemek benim için işe yarar
Böyle bir işlevi kendisi için şekillendirmemiş birini bulmak muhtemelen zordur. Ben de heykel yaptım :) 'Fonksiyonlar'
 
Prival :

ACF'yi bir örnekle açıklamaya çalışacağım, diyelim ki iki veri dizimiz var, birincisi 0 1 2 3 4 5 ve ikincisi 10 11 12 13 14 15, eğer bu dizilerin korelasyon katsayısını (CC) hesaplarsak, o zaman = 1, yani 1 satırı bilerek, ikinci satırı doğru bir şekilde hesaplayabiliriz, eğer ikinci satır 15 14 13 12 11 10 şeklinde olsaydı, o zaman KK = -1 olurdu, yani. bir satır arttığında, ikinci aynı oranda azalır.

ACF (otokorelasyon işlevi, bu, yalnızca zaman içinde kaydırılan bir dizinin kendisi ile bir karşılaştırmasıdır. Bir kaydırma ile = 0 ACF = 1 çünkü orijinal veriler tam olarak kendilerine karşılık gelir. Kaydırma arttıkça, ACF değişmeye başlar, - arasında sallanır. 1 ve 1, sıfır korelasyon yok demektir.

Alıntı akışının ACF'si her zaman = 1 oh, Kase ne olurdu :-).

Resimleri aldım, yukarıda paylaştım. Ama bu sadece 1 örnek için, zamanla ACF'nin değişmesi gerektiğini düşünüyorum (kesinlikle değişiyor çünkü kâse uzun zaman önce bulunurdu), ancak buna yaklaşan bir fonksiyon bulursak ve bu fonksiyonun parametrelerini bulmak için kalırsa, bu zaten ileriye doğru önemli bir adım olacak

ACF analizi bize ne verir?

1. Aşağı yukarı yeterli bir zaman serisi modeli oluşturun.

2. Sürecin ilişkili olduğu süreyi belirleyin, yani. eğrinin davranışının tahmin edilebileceği süre

3. ACF, ticaret kararları vermeye kadar farklı şekillerde kullanılabilir, asıl mesele onu anlamak ve farklı zaman dilimlerinde nasıl davrandığını anlamaktır.


MQL'de bir zaman serisinin korelasyonunu (otokorelasyon işlevi) ayrı bir pencerede görüntüleyen bir komut dosyası eklemeye çalıştım. Kod bir dizi birinci fark oluşturur ve Nbars değerlerinin bir örneğinin ortalaması alınarak, Open[i]-Open[i+1] mevcut farkının kendisiyle (sıfır indeksli sütun) önceki farkla korelasyon katsayısını bulur. Open[i+1]-Open [i+2] (dizin numarası 1 olan sütun),..., k -inci farkla Open[i+k]-Open[i+k+1] (dizin numaralı sütun k ), vb., k 0'dan n'ye kadar çalışır.

//+------------------------------------------- --------------------+
//| FAK. mq4 |
//| Telif hakkı © 2007, Nötron |
//+------------------------------------------- --------------------+
#özellik göstergesi_separate_window
#özellik göstergesi_tamponları 1
#özellik göstergesi_renk1 Kırmızı
#özellik göstergesi_width1 4

harici int Nbars=10000, n=100;
int i,adım,Başlat;
çift s1,s2,fak[1000],Dif[10000];

int başlangıç()
{
Başlat=Nbars+n;
for (i=Başlat;i>=0;i--){Dif[i]=Aç[i]-Aç[i+1];}

for (adım=0;adım<=n;adım++){s1=0;s2=0;
for (i=Nbars;i>=0;i--){s1=s1+Dif[i]*Dif[i+step];s2=s2+Dif[i]*Dif[i];}
fak[adım]=s1/s2;}
}

int init()
{
SetIndexStyle(0,DRAW_HISTOGRAM);
SetIndexBuffer(0,fak);
dönüş(0);
}

Lütfen dakikalarda EUR/GBP çiftinin bitişik okumalar arasında güçlü bir negatif ilişki gösterdiğine dikkat edin (indeks 1 ve değer -0,25 olan çubuk). Bilgi vermeyen sıfır sütununu (her zaman 1'e eşittir) görüntülememek için şu satıra ihtiyacınız vardır:

for (adım=0;adım<=n;adım++){s1=0;s2=0;

ile ikame edilmiş:

for (adım=1;adım<=n;adım++){s1=0;s2=0;

Otokorelasyon katsayısı r1'in ürünü ve enstrümanın seçilen TF üzerindeki oynaklığı, Markov sürecinin işleyişine dayanan TS'nin ortalama karlılığını verecektir. Ne yazık ki bu değer DC komisyonunu geçmiyor.