FR H-uçuculuk - sayfa 8
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
Burası ilginç Yurixx . Bana öyle geliyor ki, pazara erişim düzeyimizle, maksimum fenomenolojik tanımlamaya mahkumuz. Kabaca söylemek gerekirse, klasik termodinamik üzerine, istatistiksel değil. Ve ne, klasik iyi çalışmıyor mu? Çerçevesi içinde entropinin veya sıcaklığın ne olduğunu çok iyi anlamasak bile, hala çalışıyor ve aynı zamanda çok iyi.
Klasik iyi çalışıyor. Ama işe yaramadan ve doğmadan önce, üç başlı ejderha Charles-Boyle-Mariotte çok çalıştı ve fenomenolojik olarak çıkardığı kanunların Mendeleev-Clapeyron denkleminin özel durumları olduğu ortaya çıktı. Yani fenomenolojiden gerçek örüntülerin tanımlanmasına yükselmek mümkündü. Ve eğer durum böyle olmasaydı, o zaman klasik termodinamikte genel olarak ne olurdu?
Ve yalnızca tamamen faydacı hedefler belirlediğimiz sürece fenomenolojik bir tanımlamaya mahkumuz - bir araç yaratmak ve hamuru kesmek. Ve parlak bir kafaya sahip biri, ticari çıkarlardan uzaklaşırsa ve zamanını piyasayı derinlemesine incelemeye adarsa, o zaman ilginç keşifler için gerekli her şeye sahip olacaktır - araçlar, veriler vb. Gerekli ama yeterli değil... :-)
En üstte, ama nereye yazacağımı bilmiyorum. Yanılmıyorsam Guinness Rekorlar Kitabı yılda %1200 rekor kırdı. Larry Ulyamsia http://web-investor.academ.org/index.php?action=articles&id=71
"Stokastik rezonans" konusunda, çalışmamı ortaya koyarak, çalışılan FR hakkında bir soru sordum. Hiçbir şey ona cevap veremezdi. Ve sadece üç deneme vardı. Ancak bunun Gama dağılımı adı verilen iyi bilinen ve üzerinde çalışılan bir fonksiyonun özel bir durumu olduğu ortaya çıktı. Bayes istatistikleri üzerine bir kitap okurken tesadüfen buna rastladım.
Kendimi bir istatistikçi olarak görmüyorum, ama işte a.e. grafikleri. bu dağıtımlar. Formülü doğru anladıysam, büyük olasılıkla dağılımınız Rayleigh-Rice dağılımıdır, ancak gama değil.
Sqrt(x^2+y^2) a.e. bu değer, radarda çok sık kullanılan Rayleigh dağılım yasasıdır , bir Fourier serisinde genişletildiğinde gürültü genliği bu şekilde dağıtılır (x gerçek bileşendir, y hayali bileşendir). Bu değerin karesi, sinyalin enerjisiyle yakından ilişkili bir lognormal dağılımdır. Rayleigh dağılımı, gerçekten de kalın bir kuyruğu olan Rayleigh-Rice dağılımının özel bir durumudur.
Not Gerekirse, gerekli sayfaları tarayıp size göndermeyi deneyebilirim, ancak ancak önümüzdeki hafta yapabilirim. Bana ulaşmaya çalışın veya koordinatları bırakın, yardımcı olmaya çalışacağım. Tüm bu dağılımlar Levin B.R. İstatistiksel Radyo Mühendisliğinin Teorik Temelleri. - M.: Radyo ve iletişim, 1989.
Ben çoğunlukla Skype'tayım -> privalov-sv
Hepsinin yapıldığı ve özelliklerinin olduğu matcad dosyasını ekliyorum + nasıl modelleneceği
Merhaba meslektaşlarım.
N'inci sıradaki AR modellerini kullanarak para birimi serisinin tik geçmişini niteliksel olarak modellemeye çalışmaktan vazgeçmiyorum. Orijinal VR'nin X[i]=Y[i]-Y[i-1] birinci fark serisinin doğrudan modellendiğini hatırlatmama izin verin: , burada a[i] otoregresyon katsayılarıdır, sigma bir şekilde dağıtılmış rastgele değişken.
AR modelinde, para birimi serisinin birinci farkının FA'sı ile model serisinin birinci farkının FA'sı nasıl bir rasgele değişkenin (sigma) FA'sı ile nasıl bağlanabilir?
Sorunun bir çözümü var. Kalemlerle "gerekli" sigma dağıtım yasasını seçebilirsiniz, ancak bu sıkıcı bir prosedür! Yurixx, öyle görünüyor ki böyle bir formülasyondaki problem özellikle sizin için ilgi çekici. Olumlu bir sonuç olması durumunda, elimizde, oynaklık ve keneler (farklı zaman dilimlerindeki çubuklar) arasındaki bağlantıları sürdürmek açısından jeneratörle aynı olan bir VR oluşturmak için bir algoritma olurdu, ki bu Mathemat'ın belirttiği gibi , TS'nin temsili testi için gereklidir.
FA kısaltması? lütfen deşifre edin. Otoregresyon işlevi X[i] mi?
FA kısaltması? lütfen deşifre edin. Otoregresyon işlevi X[i] mi?
Ey! Üzgünüm. Her yerde FA yerine FR okunmalıdır.
Para birimi serisinin birinci farkının RF'si ile model serisinin birinci farkının RF'si AR modelinde rastgele bir değişkenin (sigma) RF'si ile nasıl bağlanabilir sizce?
Sorunun bir çözümü var. Kalemlerle "gerekli" sigma dağıtım yasasını seçebilirsiniz, ancak bu sıkıcı bir prosedür!
Peki, sigmanın model serisinin DF'sini para birimi serisinin DF'sine götürmesi gerektiği varsayımından yola çıkarsak, o zaman sigmanın DF'si iki CV'nin farkının DF'si olarak oluşturulmalıdır: model X ve gerçek Y. Ancak, sigma, X'in oluşumuna katıldığından ve X'in tüm rastgele doğası belirlenmiş sigma olduğundan, hemen söylemek zor.
Tam tersini deneyebilir. Xi+1=Xi + sigma ve sigmanın DF'si biliniyorsa X dağılımı nasıl oluşturulur? Bu sorunu çözerseniz, belirlediğiniz sorunu çözebilirsiniz.
Bunun nasıl uygulanacağı henüz belli değil.
Arkadaşlar soru şubenin konusu değil. Muhtemelen şimdi TS'de sinir ağlarının (NN) olası kullanımına biraz ilgi gösteriyorsunuz. Cevap ver bana, TS'yi optimize etmek için geleneksel numaralandırmanın kullanılması (bir genetik algoritma kullanarak bile) teknik nedenlerle gerekçesiz olduğunda, NN kullanımının yeterince fazla sayıda giriş parametresi ile gerekçelendirildiğini doğru anlıyor muyum? Sinir ağının çalışma sürecinde kendi kendine öğrenme yeteneği de vurgulanabilir, ancak bu sorunu geleneksel bir mantıksal yapı için otomatik optimizasyon prosedürünü kullanarak çözmek zor değildir.
Bence bu doğru, ama aynı zamanda hepsi bu kadar değil.
“Geleneksel bir mantıksal yapının otomatik optimizasyonunun ” ne olduğunu bilmiyorum, ancak beni NN'ye çeken şey, çok karmaşık karar verme mantıklarını uygulama yeteneğidir. Çok fazla sayıda parametre olmasa bile, sistemin faz uzayı insan algısı için fazla çok boyutludur. Yaklaşım doğruysa ve seçilen tahminler faz uzayını kümelemeyi mümkün kılıyorsa, kümelerin konumu ve şekli çok karmaşık bir topolojiye sahip olabilir. Karar verme mantığını açıklamak için bir şekilde görselleştirmeniz veya sınıfları ve üyelik kriterlerini körü körüne tanıtmanız gerekir. NN bununla ve olasılıksal tahminlerle (gördüğümüz gibi) çok daha iyi başa çıkıyor.
"Stokastik rezonans" konusunda, çalışmamı ortaya koyarak araştırılan FR hakkında bir soru sordum. Hiçbir şey ona cevap veremezdi. Ve sadece üç deneme vardı. Ancak bunun Gama dağılımı adı verilen iyi bilinen ve üzerinde çalışılan bir fonksiyonun özel bir durumu olduğu ortaya çıktı. Bayes istatistikleri üzerine bir kitap okurken tesadüfen buna rastladım.
Kendimi bir istatistikçi olarak görmüyorum, ama işte a.e. grafikleri. bu dağıtımlar. Formülü doğru anladıysam, büyük olasılıkla dağılımınız Rayleigh-Rice dağılımıdır, ancak gama değil.
Gama dağılımının bir parametresi vardır. Değerine bağlı olarak, Rayleigh dağılımına benzer bir biçim de dahil olmak üzere farklı bir forma sahip olabilir. Aynı zamanda, istatistiksel özellikleri ve büyük x'teki davranışı farklı olacaktır.
Hangi dağıtıma "ihtiyacım olduğunu" bilmiyorum. Sadece bir anda böyle bir soru ortaya çıktı ve cevabını ancak bir süre sonra buldum. FR ile ne yapmalı - soru bu. Sadece çözüldüğünde, dağıtım fonksiyonunun formu hakkında bir sonraki soru ortaya çıkacaktır. İşte o zaman tüm bu centilmenlik setine geri dönmek mümkün olacak.