![MQL5 - MetaTrader 5 müşteri terminalinde yerleşik ticaret stratejileri dili](https://c.mql5.com/i/registerlandings/logo-2.png)
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
İyi ..... ? Ne olmuş? NAFIG tüccarları, gelecek için sinyalin ŞEKİLİNİ tahmin etmeyi (sentezlemeyi) mümkün kılmadığı için spektral güç yoğunluğuna ihtiyaç duymazlar.
Gerekli değil - trend ticareti için bir geri dönüş tahmini yeterlidir
Bu sadece mitler dünyasından * varsayımınız *. Sadece güç spektral yoğunluğuna sahip olarak, bunu NASIL yapacağınızı (tersine dönüş tahmini) bile gösteremeyeceksiniz.
Bilindiği gibi, durağan VR'ler beyaz gürültü değilse tahmin edilebilir.
Bu nedenle, durağan olmayan fiyat VR'nin durağan hale dönüştürülmesi için acil bir talep var, ancak tersine dönüşüm olasılığı var.
En ilkel seçenek. VR fiyatını yaklaşık olarak hesaplıyoruz. Tahmin et. Tahmini VR ile gerçek VR arasındaki fark da VR'dir, ancak zaten durağandır. Buna en yeni VR sentetik diyelim.
Sentetik VR'yi tahmin ediyoruz. VR fiyatının ekstrapolasyonu ile özetliyoruz. Sentetik VR beyaz gürültü değilse, çıktıda bir tahmin alırız - iki ekstrapolasyonun toplamının sonucu.
Buradaki tüm mesajları okumak için çok tembeldim. O yüzden benden önce sorulmuş olabilecek bir soru soruyorum. Yaklaşım kriteri nedir? Test edilen aralıkta minimum ortalama kare hatası? Ve modelin uzunluğunu nasıl seçiyoruz?
Sorularımı nereye yönlendirdiğimi anlamak için AR modelini örnek alın. Sığdırmak için geçmiş verileri eğitim örneklerine böldük, yani. girdiler ve çıktılar. Modeli bu verilere ya doğrusal regresyon ya da Burg yöntemi ya da başka bir doğrusal tahmin yöntemi ile uydururuz. Bu AP modelini yerleştirdikten sonra, geçmiş verilerdeki tahmin hatalarını (yani, uydurma sırasında azaltmaya çalıştığımız aynı hataları) hesaplamayı ve başka bir AP modelini bir dizi hataya sığdırmayı vb. önerirsiniz. AR modelinin uzunluğu, yaklaşıklık hatası beyaz gürültü özelliklerine sahip olacak şekilde seçilmelidir, çünkü bunun pek bir anlamı yoktur. Aksi takdirde, kısa bir modeliniz olur ve hataları beyaz gürültü gibi değil, öngörülebilir bir şey gibi davranır. Ama ikinci modele bir dizi hata altında girmek, ardından üçüncüsü vb. ilk AR modelinin sırasını (uzunluğunu) artırmakla aynı sonuca sahiptir.
Yaklaşım hatası gürültü gibi davranmaya başlayana kadar modelin uzunluğunu artırarak ilk modeli adım adım oluşturmak daha doğrudur. Bu konuda kitaplarda ve makalelerde çok şey yazıldı.
Buradaki tüm mesajları okumak için çok tembeldim. O yüzden benden önce sorulmuş olabilecek bir soru soruyorum. Yaklaşım kriteri nedir? Test edilen aralıkta minimum ortalama kare hatası? Ve modelin uzunluğunu nasıl seçiyoruz?
Sorularımı nereye yönlendirdiğimi anlamak için AR modelini örnek alın. Sığdırmak için geçmiş verileri eğitim örneklerine böldük, yani. girdiler ve çıktılar. Modeli bu verilere ya doğrusal regresyon ya da Burg yöntemi ya da başka bir doğrusal tahmin yöntemi ile uydururuz. Bu AP modelini yerleştirdikten sonra, geçmiş verilerdeki tahmin hatalarını (yani, uydurma sırasında azaltmaya çalıştığımız aynı hataları) hesaplamayı ve başka bir AP modelini bir dizi hataya sığdırmayı vb. önerirsiniz. AR modelinin uzunluğu, yaklaşıklık hatası beyaz gürültü özelliklerine sahip olacak şekilde seçilmelidir, çünkü bunun pek bir anlamı yoktur. Aksi takdirde, kısa bir modeliniz olur ve hataları beyaz gürültü gibi değil, öngörülebilir bir şey gibi davranır. Ama ikinci modele bir dizi hata altında girmek, ardından üçüncüsü vb. ilk AR modelinin sırasını (uzunluğunu) artırmakla aynı sonuca sahiptir.
Yaklaşım hatası gürültü gibi davranmaya başlayana kadar modelin uzunluğunu artırarak ilk modeli adım adım oluşturmak daha doğrudur. Bu konuda kitaplarda ve makalelerde çok şey yazıldı.
İşte immanno!
Ah, nesin sen meslektaşım!? Burada kimse bu kadar akıllı kelimeleri bile bilmiyor (nasıl yazıyorsunuz: "ölçüt", "yaklaşım"), ancak tam olarak 3-4 kişiyi tanıyorlar. Ve o zaman bile, herkes için ortak gerçekleri çiğnemekten zaten bıkmış durumdalar ve bu nedenle sessizler.
Durağan olmayan bir seriyi durağan hale dönüştürmek, kârla ilgisi olmayan bir alıştırmadır.
Hiçbir şey böyle değil. En geniş anlamıyla tartışılan, durağan olmayan bir fiyat dizisinden, durağan bir kâr dizisinden türetmektir.
Grasn'ın (bunun için kendisine teşekkür ettiğim) önerisiyle şu fikri geliştirmeye başladı.
3. 2 adım için 3Z tahmini - mevcut dalganın tamamlanması ve bir sonraki. Ben sıradan istatistiklerle sınırlıyken, muhtemelen zor bir regresyon modeli kullanabilirsiniz.Bu nokta en önemli noktadır, çünkü en büyük genliklerle çalışır. Daha fazla olabilir mi? ;-) Açıkçası, bu sıradan istatistikler değil, yani. sadece 33 adımın ortalama boyutu ve hatta ayak izinin boyutunun dağılımı bile değil. öncekinden adım.
Hiçbir şey böyle değil. En geniş anlamıyla tartışılan, durağan olmayan bir fiyat dizisinden, durağan bir kâr dizisinden türetmektir.
yakalayamıyorum. TS kar ediyor ama TS ile ilgili tek kelime görmedim
yakalayamıyorum. TS kar ediyor ama TS ile ilgili tek kelime görmedim
kar=f(fiyat serisi)
Bu nokta en önemli noktadır, çünkü en büyük genliklerle çalışır. Daha fazla olabilir mi? ;-) Açıkçası, bu sıradan istatistikler değil, yani. sadece 33 adımın ortalama boyutu ve hatta ayak izinin boyutunun dağılımı bile değil. öncekinden adım.
Ne yazık ki, süre - dağıtım. Tahmin hatasına göre dağılımları sınıflandırmayı planlıyorum, belki kalıplar olacaktır.
Numara.
1. İlk olarak, fiyat serisini yaklaşık olarak hesaplıyoruz. Fiyat yaklaşımı formülünü elde ederiz: fiyat_appr(zaman)
2. fiyat_appr(zaman + i) değerini tahmin edin
3. Sentetik delta(zaman + i) = Açık[zaman + i] - fiyat_appr(zaman + i) alın
4. Beyaz gürültü için delta(x)'i kontrol edin. Ses çıkarırsa, büyükanneyi kırın. Ses gelmiyorsa devam ederiz.
5. Sentetiklere yaklaşırız ve şu formülü elde ederiz: delta_appr(zaman)
6. Tahmin: tahmin(zaman + i + j) = fiyat_appr(zaman + i + j) + delta_appr(zaman + i + j)
burada: i ve j, önceki adımlardaki OOS'lardır. zaman, i ve j - örtüşmeyen zaman kümeleri
Teklif ilginç.
Ancak, tahmin yöntemi tam olarak açık değildir. Aslında tahmin edilen nedir?
Ama önce tamamen farklı bir sorunu çözmemiz gerekiyor.
Beyaz gürültü nasıl kontrol edilir veya edilmez?
kar=f(fiyat serisi)
BP'nin daha iyi bir şeye dönüşmesi çok var - tüm (veya neredeyse) göstergeler, ancak hiçbir kar görünmüyor. Bir gösterge geliştirildiğinde, önce fikir gelir, ardından uygulama gelir. Burada "VR'nin durağan değil de durağan olması iyidir" diyorlar. Ne iyi? Tüm göstergelerin geliştirilmesi, orijinal VR'nin bazı özelliklerini yansıtmalarını sağlamayı amaçlamaktadır. Burada genel olarak böyle bir görev ortaya konmaz, sonucun istatistiksel özelliklerinin görevi ortaya konur ve bu sonucun orijinal VR'den ne göstereceği bilinmiyor.
Bu arada, burada forumda mumların uzunluğunun günün saatine bağlı olduğunu gösteren tablolar gördüm.