随机谐振 - 页 16 1...91011121314151617181920212223...38 新评论 Vladimir 2007.10.24 00:43 #151 Mathemat: AAB。 有趣的文章http://elementy.ru/lib/164581 读了这篇文章，非常有趣。有很多事情需要考虑。 那么，我们有什么呢？有噪音--相当强烈：波动性。有一个微弱的定期信号（几乎没有周期性，但它肯定是存在的）。常规信号的弱点被证实为与波动率本身相比非常低的回报值，即使是在强势趋势上。我已经在某个地方给出了这些数值，例如：欧元在日线数据上的上升趋势已经持续了6年，也就是大约1600个日线。 在这段时间里，欧元已经经历了6000点。所以，数学上的期望值是小于4个点（常规的低影响）。同时，日线上的波动率约为几十个点（噪音）。 稳态是指在反转或修正期间的顶部平坦。趋势是不稳定的状态，从一个平面过渡到下一个平面。在一个趋势之前，一个有规律的信号被平坦的噪音放大，并表现为急剧的、往往是瞬间的从一个水平到另一个水平的跳跃。 我们如何能从中学习到一些实际的东西？ P.S. 例如，我们如何从波动性中只提取随机成分（纯噪音）来得到一个有规律的信号？ 众所周知，波动性是一个反持久的过程。简单地从中减去一个常数是不行的，因为在趋势中信号会变得更强。去势？那么我想知道，放大系数等于多少呢？ 你好。 我在我的系统中使用共鸣已经有很长一段时间了。在不透露任何特别有趣的选项的情况下，我可以说如下--采取任何趋势指标。 你用同一指标的2个周期做另一个，在市场的高峰和低谷上得到共振。 你唯一要学会的是如何确定进入一个位置的时刻。我附上一个此类指标的截图。 我认为，由于一份指标的周期比另一份大，它需要在对和TF上进行调整以获得清晰的共振。 我谨祝愿你有一个良好的趋势和更多的利润。 Avals 2007.10.24 04:14 #152 lna01: 尤里克斯。 假设有一个正态分布的数值序列X，该序列的成员数为N=1000000，平均值为A，ska为S。很明显，X元素值的集合从上面看是有界的，即所有的X都属于区间[0,Xmax]。我们从序列的M=100个成员中抽取一个样本，并计算其平均数XM。 我们从包含原序列M个元素的所有序列样本中形成一个新的序列Y={XM}。 很明显，Y值的集合也是有边界的。 如何找到它的上界和下界，即[Ymin,Ymax]值的区间？ 我自然对通过数学统计的方式进行分析评估感兴趣（可惜我在这方面并不强）。要正面计算并不困难，但并不有趣。有意思的是，得到了区间的极限对N和M的比例以及初始序列的统计特性的依赖。 如果X是一个随机变量，那么Y是M个独立随机变量之和，其分布与X相同。因此，如果X是正常的，那么Y也将是正常的，方差为S/sqrt（M）。最大值和最小值的问题只能针对系列的特定实现方式（即正面计数）提出，对于任意的实现方式，我们只能谈论概率。 P.S. 上述内容并不意味着我认为自己是数学统计方面的专家 :) 我也不自诩为专家，但Nsum之和的方差=方差之和。所以Dsum=M*D => Ssum=sqrt(M)*S（Ssum-Y分布的西格玛，S-X分布的西格玛）。 随机变量之和的数学期望等于数学期望之和 Asum=M*A SV Y在任何区间的概率都可以用拉普拉斯函数值表找到。例如，作为一个在3个希格玛中的后果，概率为0.9973。这意味着这个概率将在以下范围内：-3*Sum+Asum<Y<3*Sum+Asum =>-3*S*sqrt(M)+A*M<Y<3*S*sqrt(M)+A*M Candid 2007.10.24 04:28 #153 Yurixx: 比如说。如果分布函数是已知的，那么对于任何X0，我们都知道在序列中有一个值>=X0的元素的概率P。如果序列包含N个元素，那么序列中满足X>=X0条件的元素总数为P*N。如果这个值小于1，即0，那么从统计学上看，Xmax<X0。但当然，这并不意味着事实上没有元素>=X0可以出现在这样一个序列中。 ...如果X>=X0，满足条件的序列元素数量的数学期望值 为P*N。这个值总是 小于1（当然，除非分布函数被人为地削减）。 在长度为N的序列中没有>=X0的数字的概率是(1-P)^N。 P. S. "这个量总是 小于1（除非分布函数被人为截断）"这句话指的是P，即它们没有提供本质上的新信息，在这句话中是多余的 :) Candid 2007.10.24 04:36 #154 Avals: 我也不自诩为专家，但NSV之和的方差=方差之和。因此Dsum=M*D => Ssum=sqrt(M)*S（Ssum-Y分布的西格玛，S-X分布的西格玛）。 我在 "保存 "单词方面是错误的--Y是M个独立随机变量的总和除以M。也就是说，答案是专门针对有关问题给出的，其条件是引用了简略的。把你的结果除以M，然后与我的进行比较 :) Avals 2007.10.24 04:40 #155 lna01: 阿瓦尔斯。 我也不自诩为专家，但NSV之和的方差=方差之和。因此Dsum=M*D => Ssum=sqrt(M)*S（Ssum-Y分布的西格玛，S-X分布的西格玛）。 我错在 "保存 "了Y是M个独立随机变量的总和除以M:)也就是说，答案是专门针对所讨论的问题给出的，其条件是引用了简略的。 条件是什么：除以M？ Candid 2007.10.24 05:06 #156 Avals: 这个条件是怎么来的：被M划分？ Yurixx写道（a）：...我们从序列的M=100个成员中取样，计算其平均XM。形成一个新的序列Y = {XM} ... Павел 2007.10.24 06:03 #157 神经网络可以用来检测弱振荡和强振荡的共鸣。 我们给一个神经元--一个具有小平均周期的振荡器的输入，和另一个--一个具有大周期的振荡器的输入。添加另一个具有很长周期的振荡器的神经元。 这些神经元的输出被反馈到第四个神经元的输入，该神经元已经输出了关于共振的数据：如果数字在零左右，就没有共振；如果数字在零以上并且在增长，就有一个向上的冲动和一个上升的趋势进入共振；反之亦然：如果数字在零以下并且在下降，就有一个向下的冲动和一个下降的趋势进入共振。 Avals 2007.10.24 06:44 #158 lna01: 阿瓦尔斯。 条件从何而来：除以M？ Yurixx写道（a）：...我们从序列中抽取M=100个条款的样本，并计算其平均XM。形成一个新的序列Y = {XM} ... 那么对不起，我不了解这些条件。 如果考虑到一系列的平均数，甚至在重叠的部分，它们是有依赖性的。你必须考虑增量（它将是独立的）。 XMi-XMi-1=（Xi-Xi-M）/M 这似乎表明，SV的数学期望值=0，D=2*D1/M，RMS=sqrt（2*D1/M）。 如果这是对的，那么就继续看拉普拉斯函数值表。 Candid 2007.10.24 06:51 #159 Avals: 如果考虑到一系列的平均数，甚至在重叠的图上，它们是有依赖性的。 我的理解是，这些地块并不重叠。 Yurixx写道（a）。 从包含原序列M个元素的所有连续 样本中形成一个新的序列Y={XM}。 所以它们将只是独立的 Avals 2007.10.24 06:54 #160 lna01: 阿瓦尔斯。 如果考虑到一系列的平均数，甚至在重叠的图上，它们是有依赖性的。 我的理解是，这些地块并不重叠。 Yurixx写道（a）。 从包含原序列M个元素的所有连续 样本中形成一个新的序列Y={XM}。 所以它们将只是独立的 那么它就不会起作用。 Yurixx写道（a）。 不，我们只是在谈论一个长度为M个样本的滑动窗口。因此，序列Y中的元素数量为N-M+1。 1...91011121314151617181920212223...38 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
有趣的文章http://elementy.ru/lib/164581
那么，我们有什么呢？有噪音--相当强烈：波动性。有一个微弱的定期信号（几乎没有周期性，但它肯定是存在的）。常规信号的弱点被证实为与波动率本身相比非常低的回报值，即使是在强势趋势上。我已经在某个地方给出了这些数值，例如：欧元在日线数据上的上升趋势已经持续了6年，也就是大约1600个日线。 在这段时间里，欧元已经经历了6000点。所以，数学上的期望值是小于4个点（常规的低影响）。同时，日线上的波动率约为几十个点（噪音）。
稳态是指在反转或修正期间的顶部平坦。趋势是不稳定的状态，从一个平面过渡到下一个平面。在一个趋势之前，一个有规律的信号被平坦的噪音放大，并表现为急剧的、往往是瞬间的从一个水平到另一个水平的跳跃。
我们如何能从中学习到一些实际的东西？
P.S. 例如，我们如何从波动性中只提取随机成分（纯噪音）来得到一个有规律的信号？ 众所周知，波动性是一个反持久的过程。简单地从中减去一个常数是不行的，因为在趋势中信号会变得更强。去势？那么我想知道，放大系数等于多少呢？
你好。
我在我的系统中使用共鸣已经有很长一段时间了。在不透露任何特别有趣的选项的情况下，我可以说如下--采取任何趋势指标。
你用同一指标的2个周期做另一个，在市场的高峰和低谷上得到共振。
你唯一要学会的是如何确定进入一个位置的时刻。我附上一个此类指标的截图。
我认为，由于一份指标的周期比另一份大，它需要在对和TF上进行调整以获得清晰的共振。
我谨祝愿你有一个良好的趋势和更多的利润。
假设有一个正态分布的数值序列X，该序列的成员数为N=1000000，平均值为A，ska为S。很明显，X元素值的集合从上面看是有界的，即所有的X都属于区间[0,Xmax]。我们从序列的M=100个成员中抽取一个样本，并计算其平均数XM。 我们从包含原序列M个元素的所有序列样本中形成一个新的序列Y={XM}。 很明显，Y值的集合也是有边界的。
如何找到它的上界和下界，即[Ymin,Ymax]值的区间？
我自然对通过数学统计的方式进行分析评估感兴趣（可惜我在这方面并不强）。要正面计算并不困难，但并不有趣。有意思的是，得到了区间的极限对N和M的比例以及初始序列的统计特性的依赖。
如果X是一个随机变量，那么Y是M个独立随机变量之和，其分布与X相同。因此，如果X是正常的，那么Y也将是正常的，方差为S/sqrt（M）。最大值和最小值的问题只能针对系列的特定实现方式（即正面计数）提出，对于任意的实现方式，我们只能谈论概率。
P.S. 上述内容并不意味着我认为自己是数学统计方面的专家 :)
我也不自诩为专家，但Nsum之和的方差=方差之和。所以Dsum=M*D => Ssum=sqrt(M)*S（Ssum-Y分布的西格玛，S-X分布的西格玛）。
随机变量之和的数学期望等于数学期望之和 Asum=M*A
SV Y在任何区间的概率都可以用拉普拉斯函数值表找到。例如，作为一个在3个希格玛中的后果，概率为0.9973。这意味着这个概率将在以下范围内：-3*Sum+Asum<Y<3*Sum+Asum =>-3*S*sqrt(M)+A*M<Y<3*S*sqrt(M)+A*M
比如说。如果分布函数是已知的，那么对于任何X0，我们都知道在序列中有一个值>=X0的元素的概率P。如果序列包含N个元素，那么序列中满足X>=X0条件的元素总数为P*N。如果这个值小于1，即0，那么从统计学上看，Xmax<X0。但当然，这并不意味着事实上没有元素>=X0可以出现在这样一个序列中。
...如果X>=X0，满足条件的序列元素数量的数学期望值 为P*N。这个值总是 小于1（当然，除非分布函数被人为地削减）。 在长度为N的序列中没有>=X0的数字的概率是(1-P)^N。
P. S. "这个量总是 小于1（除非分布函数被人为截断）"这句话指的是P，即它们没有提供本质上的新信息，在这句话中是多余的 :)
我也不自诩为专家，但NSV之和的方差=方差之和。因此Dsum=M*D => Ssum=sqrt(M)*S（Ssum-Y分布的西格玛，S-X分布的西格玛）。
我也不自诩为专家，但NSV之和的方差=方差之和。因此Dsum=M*D => Ssum=sqrt(M)*S（Ssum-Y分布的西格玛，S-X分布的西格玛）。
条件是什么：除以M？
这个条件是怎么来的：被M划分？
Yurixx写道（a）：
.
..我们从序列的M=100个成员中取样，计算其平均XM。形成一个新的序列Y = {XM} ...
我们给一个神经元--一个具有小平均周期的振荡器的输入，和另一个--一个具有大周期的振荡器的输入。添加另一个具有很长周期的振荡器的神经元。
这些神经元的输出被反馈到第四个神经元的输入，该神经元已经输出了关于共振的数据：如果数字在零左右，就没有共振；如果数字在零以上并且在增长，就有一个向上的冲动和一个上升的趋势进入共振；反之亦然：如果数字在零以下并且在下降，就有一个向下的冲动和一个下降的趋势进入共振。
条件从何而来：除以M？
Yurixx写道（a）：
.
..我们从序列中抽取M=100个条款的样本，并计算其平均XM。形成一个新的序列Y = {XM} ...
那么对不起，我不了解这些条件。
如果考虑到一系列的平均数，甚至在重叠的部分，它们是有依赖性的。你必须考虑增量（它将是独立的）。
XMi-XMi-1=（Xi-Xi-M）/M
这似乎表明，SV的数学期望值=0，D=2*D1/M，RMS=sqrt（2*D1/M）。
如果这是对的，那么就继续看拉普拉斯函数值表。
如果考虑到一系列的平均数，甚至在重叠的图上，它们是有依赖性的。
Yurixx写道（a）。
从包含原序列M个元素的所有连续 样本中形成一个新的序列Y={XM}。
所以它们将只是独立的
如果考虑到一系列的平均数，甚至在重叠的图上，它们是有依赖性的。
Yurixx写道（a）。
从包含原序列M个元素的所有连续 样本中形成一个新的序列Y={XM}。
所以它们将只是独立的
那么它就不会起作用。
Yurixx写道（a）。
不，我们只是在谈论一个长度为M个样本的滑动窗口。因此，序列Y中的元素数量为N-M+1。