Alım-satım fırsatlarını kaçırıyorsunuz:
- Ücretsiz alım-satım 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
İdeal MA, olduğu gibi. 'Yazarın diyalogu. Alexander Smirnov.
ANG3110 02/06/2008 20:48 tarihli gönderiye bakın
Yeniden çizilirse ideal olan nedir?
geçmişi "bilmeden" karı maksimize ederiz, sadece teklifin yeni okumasını ve önceki X[i]-X[i-1] değerini analiz ederiz ve hepsi bu kadar. Öyle görünüyor.
Onlar. mümkün olan en karlı sistemi yaratırsınız. Ve geliştirilmekte olan yöntem, sizin için mevcut olan geçmişte izlenebilecek tüm düzenlilikleri kullanır.
Cesurca!
Yeniden çizilirse ideal olan nedir?
Tarih alıyoruz ve bunun üzerine ideal bir MA inşa ediyoruz. Bu çaba gösterilmesi gereken bir şey. Ve yeniden çizilmeyen ve bu eğriden minimum sapmaya sahip olanı arıyoruz. Bunun gibi bir şey
Onlar. mümkün olan en karlı sistemi yaratırsınız. Ve geliştirilmekte olan yöntem, sizin için mevcut olan geçmişte izlenebilecek tüm düzenlilikleri kullanır.
Cesurca!
Oh iyi. 6. Koğuştaki bir hasta gibi mi görünüyorum?
Açıkçası, entegre bir rastgele değişkenin dinamiklerini tahmin etmek için bu yöntemi veya başka bir yöntemi kullanırsanız (yani rastgele, yarı rastgele değil), o zaman sıfır alırız! Tanım olarak, rastgele bir süreci yenmek imkansızdır, bu doğanın kanunudur. Öte yandan, fiyat türünün zaman serileri (TS) tamamen rastgele değildir, işleyişi Forex piyasasında istatistiksel olarak güvenilir gelir elde etmenizi sağlayan açık ve gizli kalıplara sahiptir. Dolayısıyla, bu zayıf kalıpları belirlemek için yöntemlere ve araçlara ihtiyacımız var. Böyle bir yöntem, teklife hareketli ortalamalar uygulamaktır. Bu yöntem, işleyişinin matematiksel bir bakış açısıyla gerekçeli ve doğru olduğu, iyi tanımlanmış bir uygulanabilirlik alanına sahiptir. Özünde, tüm hareketli ortalamalar, orijinal VR'nin bir entegrasyon şeklidir. En genel anlamda entegrasyon, trendlerle geleceğin öngörülmesi, farklılaşma ise süreç trendlerinin belirlenmesidir. Ama trendler tam olarak nedir? Bağlantıya yakından bakarsanız
Seri-Tahminde VR-MA-genişlemesi, o zaman MA yönteminin uygulanabilirlik gerekliliğini, VR'nin birinci farkının serilerindeki bitişik okumalar arasında pozitif bir korelasyon katsayısı olarak tanımlamak zor değildir. Bu durumda Mashki karlı stratejiler verecek ve Masha'mız mümkün olan en iyi karı verecek! Bunun için savaşıyoruz.
Ancak, VR fiyatını yukarıda belirtilen gereksinime uygunluk açısından analiz ederseniz, analizin sonucu oldukça olumsuz olacaktır. Aslında, gerçekler öyledir ki, tüm zaman dilimlerinde fiyat serileri genellikle ilk fark serilerinde küçük bir negatif otokorelasyon katsayısına sahiptir ve sadece bazen, trendlerde bu katsayı pozitiftir.
Önerilen yöntemin uygulanabilirliği ve etkinliği yalnızca deneyin sonuçlarıyla değerlendirilebilir.
Herkes Bulashov'a ulaşmak istiyor. İdeal bir makinenin formülü orada da aşağı yukarı aynıydı. Ama sonunda DEMA ortaya çıktı
Mashek yerine, NK yöntemini kullanarak güç polinomlarıyla enterpolasyon kullanıyorum
bazı pencerede. Enterpolasyon eğriliğinin ekstrapolasyonunun
küçük bir gelecekteki mahallede bile, neredeyse anlamsız, ancak şimdiki durumu tanımlamak için
en ilginç yerde devlet - BP'nin sağ kenarında, izin verir.
Aynı zamanda, pencerenin boyutunu ve eğrilik derecesini değiştirerek,
genel olarak veya tam tersi, mevcut durumu vurgulayarak neler olduğunu ayrıntılı olarak düşünün
süreci ve aşamaları.
VR'nin geleceğini tahmin etmek, bence, yalnızca analiz ederek mümkündür.
süreçlerin evrimi - mevcut durumda güçlü bir düşüş süreci olduğu gibi
onun yerini yanal bir süreç aldı -> o zaman bir büyüme süreci mümkün.
Bu yaklaşım, bence, ağcılar için özellikle yararlıdır, çünkü NN,
enterpolasyon eğrisinin bazı tipik özelliklerini besleyin,
örneğin trend bileşeni (yön ve büyüklük), sapma
trend bileşeni, eğrinin resmi formu, vb. - ne kadar
fantezi yeterlidir - ızgaraya akımı vurgulamayı ve tahmin etmeyi öğretmek
gelecekteki süreçler ve buna dayalı olarak bir ticaret stratejisi oluşturun.
Uzak ve yakın geçmişi farklı şekillerde de düzeltebilirsiniz.
EMA'ya benzer. Sentetik bir yaklaşım uygulamak kesinlikle mümkündür.
- güçlü yumuşatma ile hareketli ortalamalar kullanın ve buna göre büyük
gecikme, ancak hareketli ortalamanın henüz çalışmadığı yakın geçmiş,
enterpolasyon eğrisi ile analiz edin.
Bu yaklaşım, bence, ağcılar için özellikle yararlıdır, çünkü NN,
enterpolasyon eğrisinin bazı tipik özelliklerini besleyin,
örneğin trend bileşeni (yön ve büyüklük), sapma
trend bileşeni, eğrinin resmi formu, vb. - ne kadar
fantezi yeterlidir - ızgaraya akımı vurgulamayı ve tahmin etmeyi öğretmek
gelecekteki süreçler ve buna dayalı olarak bir ticaret stratejisi oluşturun.
Benim düşünceme göre, NN için girdi verilerinin bu tür ön işlemesi bir tür koltuk değneğidir. Orijinal VR'yi hareketlerin yardımıyla entegre ederek, her şeyden önce fiyatlandırma resmini kendimiz için görsel hale getiriyoruz (yumuşak eğri, trendler görülebilir), yumuşatma işleminin kendisi giriş verilerine ek bilgi eklemiyor (gelmiyor). herhangi bir yerde) ve bu nedenle sinir ağının çalışmasını kolaylaştırmaz. Bu açıdan bakıldığında, ağın dikkatini maksimum düzeyde yarı-durağan sürece odaklayan NN'nin girişine özel olarak hazırlanmış veriler beslenmelidir. Böyle bir süreç için bir aday, bu arada, teklifin entegrasyonu (yumuşatma) ile ayırt edilemeyen RPR'de negatif bir korelasyon katsayısı olabilir. Burada başka yöntemlere ve yaklaşımlara ihtiyaç vardır. Bu umut verici görünüyor.
Uzak ve yakın geçmişi farklı şekillerde de düzeltebilirsiniz.
EMA'ya benzer. Sentetik bir yaklaşım uygulamak kesinlikle mümkündür.
- güçlü yumuşatma ile hareketli ortalamalar kullanın ve buna göre büyük
gecikme, ancak hareketli ortalamanın henüz çalışmadığı yakın geçmiş,
enterpolasyon eğrisi ile analiz edin.
Bütün bunlar karmaşıktır ve iyi bir gerekçe gerektirir ve bu nedenle, şu an için, neredeyse kesinlikle bir zaman ve çaba kaybıdır.
... tüm zaman dilimlerindeki fiyat serileri genellikle ilk fark serilerinde küçük bir negatif otokorelasyon katsayısına sahiptir ve sadece bazen trendlerde bu katsayı pozitiftir.
Örneğin, M1'de orijinal VR'den belirli bir örnek olduğunu varsayalım. Birinci fark d1[i]=Açık[i]-Açık[i-1] serisini oluşturuyoruz, ardından bitişik okumalar arasındaki TF=1m korelasyon katsayısı aşağıdaki gibi kabul ediliyor; f1=SUM(d1[i]*d1[i-1])/SUM(d1[i]^2), burada indeks tüm VR değerlerinden geçer. TF=2m için, daha önce 2m için bir VR kurmuş ve ilk farkını d2[i], vb. bularak benzer şekilde ilerliyoruz. istenen TF'ye Kendimi TF = 1500 dakika (yaklaşık bir gün) ile sınırladım. Dakikalardan, örneğin M2 için başka bir TF'nin nasıl oluşturulacağı sorusu ortaya çıkabilir, ancak burada her şey şeffaf görünüyor. Bir önceki gönderide grafikte sunduğum bu verilerdi (farklı TF'ler için RPR'deki korelasyon katsayısının değeri).
Örneğin, M1'de orijinal VR'den belirli bir örnek olduğunu varsayalım. Birinci fark d1[i]=Açık[i]-Açık[i-1] serisini oluşturuyoruz, ardından bitişik okumalar arasındaki TF=1m korelasyon katsayısı aşağıdaki gibi kabul ediliyor; f1=SUM(d1[i]*d1[i-1])/SUM(d1[i]^2), burada indeks tüm VR değerlerinden geçer. TF=2m için, daha önce 2m için bir VR kurmuş ve ilk farkını d2[i], vb. bularak benzer şekilde ilerliyoruz. İstenen TF'ye. Kendimi TF = 1500 dakika (yaklaşık bir gün) ile sınırladım. Dakikalardan, örneğin M2 için başka bir TF'nin nasıl oluşturulacağı sorusu ortaya çıkabilir, ancak burada her şey şeffaf görünüyor. Bir önceki gönderide grafikte sunduğum bu verilerdi (farklı TF'ler için RPR'deki korelasyon katsayısının değeri).
Daha da iyisi) Bu formüller nelerdir ve bunları nereden alıyorsunuz?
korelasyon katsayısının nasıl hesaplandığını görün https://ru.wikipedia.org/wiki/%D0%9A%D0%BE%D1%8D%D1%84%D1%84%D0%B8%D1%86%D0% B8 %D0%B5%D0%BD%D1%82_%D0%BA%D0%BE%D1%80%D1%80%D0%B5%D0%BB%D1%8F%D1%86%D0%B8% D0 %B8
korelasyon katsayısı, örnekler arasında değil, diziler arasında hesaplanır. Lütfen sözlerinizde kesin olun ki başkaları ne söylediğinizi, ne söylediğinizi ve ne düşündüğünüzü anlayabilsin.