随机谐振 - 页 26 1...192021222324252627282930313233...38 新评论 Сергей 2007.10.29 16:31 #251 Prival: 因此，这项任务已经抓紧进行。这很好。现在我将尝试表达我的想法。如果我写错了什么（或不能理解--告诉我）。 芳草萋萋 是的，真的有一种边缘效应。但这就是问题所在，它通常被认为是不好的（干扰）。如果存在 "随机共振 "怎么办。假设这个变体--价格运动的方向与曲线的方向重合（共振），但不重合（无共振）。谁检查的？(也许这就是圣杯 的所在）。各种Henning、Hemming、Blackman等窗口也不能打折扣。(减少这种影响)。 关于噪音，我们总是有一个信号+噪音的混合物。而且我们没有机制将其从信号中分离出来，机械地（如我的例子中，关闭接收器并测量其强度）。所以我建议另一个选择。从能源的概念开始。信号的能量推动了市场的发展。噪声能量使我们无法看到（分离出一个有用的信号）。 如何行动 ... 你说抓住它是什么意思？我们正在讨论二十页，如果你仔细阅读（慢慢来）。对信号处理的概述很好，谢谢，但我建议把它全部扔掉，如果你想在这个问题上做出富有成效的工作，用FIR或IIR类的普通数字低通滤波器来代替它，除非你确信低通滤波器能找到一个真正的信号。 关于噪声，最好是选择EVERYTHING而不是WE，这更符合逻辑，但这种方法的边缘效应被严重消除，这是事实，因此你不会选择边缘的任何噪声，信号本身将是噪声。 PS：结果是你会发明比FATL更糟糕的过滤器。不要自欺欺人了，制作自适应滤波器是一门完整的艺术，其设计的原则也大不相同。 Candid 2007.10.29 17:09 #252 AAB: 候选人，这部作品描述了在潜在水平方面对价格走势的预测，你可能会感兴趣。 质量不好，但它是单体阅读，此外，只有四页的公式和图表。 嗯，我在开始时不是给了一个链接吗？:)正如他们所说，让面包流动起来，它就会回到你身边 :)。干得好，我认为。 私下 的。 - 建立一个指标 我记得当我在尝试klot 的库时，我做了一些指标。只有在visualizer中运行，并等到有足够的条数进行FFT。 跳跃的原因很清楚，播放的频率数量，如果增加采样，它们将被平滑。当然klot 库必须到位（在CodeBase中有一个）。 附加的文件： offtma_e.mq4 4 kb aab 2007.10.29 17:57 #253 lna01: 嗯，这不是我在开始时给出的链接吗？:)就像他们说的，把面包放在水面上，它就会回到你身边 :)。干得好，我认为。 是的，我搞砸了，至少标志着从哪里来的，从谁的饲料刷的，Vot t记得读完后，你喜欢的文章，谁给的链接，忘记了，是的，记得鱼在Strugatsky说，"我的岁月不是那些，木看到..."。但每朵云都有一线生机，人们可能会再一次下载这份文件。 Yurixx 2007.10.29 21:32 #254 所有感兴趣的人和观众请注意。 以下是我几天前向大家提出的问题的解决方案。原则上说，这里面没有什么新东西。我只是简单地实施了这个程序，我在这个主题的最后一篇文章中描述了这个程序。把它放在那里的意义很简单：我看到这个方法的几个应用，所以也许它对某人有用。我还想 "证明 "理论方法的有用性。 因此，问题很简单。有一系列{X}的随机数服从于某种统计学。因为X的可能值属于区间[0,∞]，所以统计是非高斯的。X=0点，一般来说，可能不属于一般人群。系列{X}的成员数为N，这个数字大到足以使基于现有数据和其他统计参数的分布具有一定的可信度。 µ=M(X)是系列{X}的均值 D=M(X*X)--序列{X}的方差 σ=√D--序列{X}的倾斜度 由于可用数列是有界的，其所有元素都属于有限区间[Xmin,Xmax]，Xmin>=0。 我们在现有序列{X}上构建一个周期为M的移动平均线Y。 平均方法可以是任意的。结果我们得到一个新的数列{Y}，它显然有N-M+1项。系列{Y}的集合也属于一个有限区间。用[Ymin,Ymax]表示。 问题是如何从序列{Y}的统计数据和参数中计算出Ymin和Ymax？我将在最后写出这可能的用途。 第一步是构建序列{X}的分析性分布。在Bulashev的书中，我只发现一个分布函数，它的定义区域[0,∞]是对数正态分布。我不会说它的坏话，但它不适合我。 由于我的（以及许多其他）系列的统计数字是这样的：在X→0和X→∞处的概率密度 p(X)趋于0，我假定p(X)的一般形式如下。 p(X)=A*(X^a)*exp(-B*(X^b))，其中a>0和b>0 据此，积分分布函数定义如下：F(X)= ∫ p(ξ) dξ。这里和进一步的整合极限从0到X都是隐含的。不幸的是，当地的编辑不让上、下索引在网站上出现。人们必须扭曲它。这当然看起来很乱，但这也是没办法的事。ξ只是一个积分变量。 为了能够用它做任何事情，这个积分必须以分析的形式进行。通过对各部分进行积分并使用极限值p(0)=0，我们可以看到 ∫ (ξ^a)*exp(-B*(ξ^b)) dξ = -1/(B*b) * (X^(a-b+1))*exp(-B*(X^b)) + (a-b+1)/(B*b) *∫ (ξ^(a-b))*exp(-B*(ξ^b) dξ 也就是说，价值X的指数a每次都会减少b。如果在k步之后，这个指数变得等于b-1，那么积分就会被还原成表格中的积分。因此，我们可以明确地制定积分性条件。 a-k*b=b-1，或者a=(k+1)*b-1，其中k>0是一个整数。 然而，由于我们仍然要计算平均数和方差，这种整齐性是不够的。让我们看看明确计算这个分布的所有中心矩需要什么。显然，µ=∫X*p(X)dX(这里积分到∞)。让我们把µ作为µ(X)的函数来计算，假设在积分中，上限是可变的。 µ(X) = ∫ ξ ξ*A*(ξ^a)*exp(-B*(ξ^b)) dξ = ∫ A*(ξ^(a+1))*exp(-B*(ξ^b) ) dξ 也就是说，它是一个指数为a1=a+1的同类积分。对于整数性，a1必须满足同样的条件。 a1 = (k1+1)*b - 1，其中k1>0是一个整数。 将此与a的条件相比较，我们得到。b = 1/( k1 - k)。表示n=k1-k，我们最终得到参数b的可接受形式：b=1/n，其中n>0是一个整数。还要注意的是，应该满足0<n<=k的关系。 牢记这一切，我们不仅可以以明确的形式获得积分分布函数F(X)，而且还可以获得分布的所有中心矩。 F(X) = 1 - exp(-Z)*∑ (Z^i)/i! Ml(X) = (k+n*l)! /(k!*(B^(n*l))*{ 1-exp(-Z)*∑(Z^i)/i!}，其中Z = B*(X^(1/n)) 。 出现在函数p(X)中的常数A是由归一化条件计算出来的，并在这些表达式中加以说明。上行的求和符号∑意味着对0到k的指数i进行求和，下行是对0到k+n*l的i进行求和。值Ml是第l个中心动量（不要混淆l和1）。 请注意，当X=0时，所有得到的函数都转为0，而当X→∞时，有以下的界限。 F(X→∞)=1（归一化条件），Ml(X→∞)=(k+n*l)！/(k！*(B^(n*l)))。 因此，我们得到。 µ = M(X) = M1(X) = (k+n)! /(k!*(B^n)) D = M(X*X) = M2(X) = (k+2*n)! /(k!*(B^(2*n)) 现在，一切都在那里了，我们可以回到原来的系列。由此产生的最终分布函数p(X)包含三个参数，可以用来确保p(X)最好地重现系列{X}-B，k，n的统计数据。 当然，你可以按跨国公司找到它们，但那很无聊。我已经为我的系列做了更简单的处理。从以上公式可以看出 D/µ^2 = (k+2*n)！*k！/((k+n)！)^2 因此，D/µ^2的值与B无关。由于D和µ对于数列{X}是已知的，我们只需要选择这样一对(n,k)，就可以得到最接近的值。我刚刚建立了一个关于(n,k)对的可能值的表格，发现只有4个合适的值：(2,3)、(3,8)、(4,16)和(5,26)。现在B的值是由D或µ的表达式决定的，是基本的。 有趣的是，前两对的数值（n,k）（我没有检查其他的）给了实验分布曲线p(X)一个很好的重复性。至少对我来说，这种质量是非常好的。 一路走来，我想到了一个有趣的问题。也许有人能启发我，为什么这样一个简单方便、属性良好的分布函数在统计学中没有被使用？如果它被使用，为什么不写出来呢？我从未见过有人试图近似对数正态以外的增量分布。 Stochastic resonance Yurixx 2007.10.29 21:40 #255 马勒松芭蕾舞的第三阶段涉及到一些极限X1和X2的计算。 系列Y=∑X的构造与X的M个值的平均化有关。有理由认为，如果X的最小值中有M个落在平均值内，就可以得到Ymin（理论上的最小值）。 在OX轴上，X值的最小值中有M个占据了区间[0, X1]，X值的最大值中有M个占据了区间[X2, ∞]。这实际上是对数值X1和X2的定义。 由于系列{X}中总共有N个元素，所以F(X1)=M/N，1-F(X2)=M/N。 函数F(X)是已知的解析形式，因此上述确定X1和X2的方程是解析方程，尽管是超越式的。任何数值迭代方法都可以应用于解决这些问题。因为从下图可以看出，函数F(X)是单调的，所以可以用梯度下降法从拐点开始快速得出F(X1)和F(X2)的值。当以MQL允许的最大精度计算时，13-14个步骤和不到一秒钟的时间足以获得X1和X2的值。对(2,3)和(3,8)的时间实际上是一样的。尽管如此，MQL是一件好事。(好一个matcad .... J) 我希望大家清楚p(X)和F(X)在哪里。 图1. 看一下X1和X2对M的依赖性，或者说对M/N比的依赖性，也是很有意思的。但我们将暂时把它放在一边，因为剩下的时间不多。只需注意，在极限中，当M→N时，X1→∞和X2→0必须成立。而我们将处理这整个故事的最终目标的定义，即数值Ymin和Ymax。 事实上现在非常简单。区间[0, X1]给出了M最小X的位置，[X2, ∞]给出了M最大X的位置，我们的任务是确定它们上的两个平均值。如果平均算法 不是微不足道的，那么就必须为每个特定情况单独解决问题。如果它对应的是一个简单的MA，我们可以使用公式。 Ymin = M(X1)/F(X1)，Ymax = (µ - M(X2))/(1 - F(X2))。 这些公式有一个简单的 "物理意义"，所以我不做解释。我将介绍Ymin和Ymax与Х1和Х2值的关系图。它以红色显示Ymin，以蓝色显示Ymax。绿松石色的横线表示µ的值。 正如人们所期望的那样，X1→∞处的Ymin和X2→0处的Ymax都趋向于µ，一个来自下方，一个来自上方。 图2. 它们都对应于M→N，这一点从X1和X2对M值的依赖性图中完全可以看出。是的，你做到了。这是最开始的图表。而这两条曲线中，你应该使用曲线F(X)。但你不应该通过X来确定F，而是反过来，你应该通过F来确定X。在做这个的时候，你也要看一下X1和X2的方程式，记住如果M→N，那么M/N→1。 因此，事实证明，当M/N随M增加时，X1增加（Ymin也随之增加），X2减少（Ymax随之减少）。但它总是Ymin< X1和Ymax>X2。 在我的计算中，我得到1-3-5个系列{X}的值，取决于N的值，可以超过X2的上限（这个意义上的下限没有意义）。同时，Ymax的值永远不会被超过。这在一般情况下是可以理解的：X的所有M值都是最大的情况是例外。至于系列{Y}的值，它们超过X2的概率更小。更不用说Ymax了。 因此，我们有两个对{Y}值范围的估计，一个是硬的，一个是软的。我们可以根据问题的要求，使用其中的任何一种。 PS 对不起。我不能插入图片。不是以任何形式。该网站一定是出现了故障。 Yurixx 2007.10.29 21:42 #256 最后，为什么需要这一切。 当我在这时，我看到了使用这一切的几种可能性。 1.所有已知的TA指标的正常化，特别是--震荡器。有没有人注意到，振荡器只能在其平滑期的狭窄范围内使用？随着周期的减少，它开始来回折腾，而随着周期的增加，振幅下降得很厉害，以至于无法达到水平。下面是一个最受欢迎的RSI的例子。14和30两个时期的两种变化。如果你依赖第二种方法，你可能根本就不会交易。很少达到70/30的水平。或者说，这些水平应该在每个时期重新进行优化。 图3. TA指标实际上并不依赖于t/f，据我所知，这是他们统计的一个特殊性。但在这里，如果平滑问题得到解决，也许可以从他们身上获得一些新的东西。有了这样一个随机的归一化程序，我认为这是很有可能的。 2.我个人的问题是，该系列的传播在很大程度上取决于N。不然怎么会这样呢？"赫斯特白受罪了吗？:-)) 现在，我可以把一切都带到一个通用的标准，在这个标准中，无论是切换到另一个T/F，还是改变平滑期都不会影响系列值的范围。这使得所有其他参数值的输入/输出都可以使用相同的电平。在这种条件下，优化是有意义的。通过在一个T/F上的优化，我可以在另一个T/F上检查该策略的盈利能力。如果它持续存在，这意味着该策略真的有效。如果没有，就被丢弃了。 也许这对其他人来说是有用的。 3.到目前为止，还没有人能够直接使价格图表正常化。但能这样做就好了。我们感兴趣的不是绝对值，而是其波动情况。也许我们将设法以这种方式进行。希望的人可以试试。 4.在我一无所知的神经网络中，有必要对数据进行标准化处理。走出条件范围会导致神经鼠的损失。 也许这种规范化的方式在某些情况下会被证明比目前使用的方式更有用。 这就是全部。任何形式的批评都可以接受。 PS 我故意没有张贴任何代码或代码样本。该算法没有详细描述，但非常详细。这很容易理解。当然，如果你想的话。 我鼓励社区以我为榜样。 理由如下。 这个蛋糕还不能食用。它不是一个最终的解决方案，而是一种方法。在私人任务中使用这种方法，仍然会使它们成为私人任务。那些不屑于为自己理解和有意义地使用它的人，会急于使用其他人的解决方案，会被误导，会浪费时间，可能还会浪费金钱。 为了正确使用这个方法，你需要 1.拟定你的系列{X}是什么。 2.用适当的程序正确地形成它。 检查其统计数据，计算统计参数。 探索这个系列在不同t/fs上的统计的对应关系。 5.找到合适的统计对k,n。 6.计算B参数。 7.构建一个模型分布函数p(X)，并将其与实验的分布函数进行比较。只有当模型和实验的拟合度令人满意时，进一步使用这种方法才是正确的。为此，有必要制定一个估计标准。 8.最后，还需要能够正确使用获得的Ymin和Ymax。这并不像看起来那么容易。:-) 所以，程序员朋友们，不仅要避免鼓励免费，也要给别人一个机会，一个展现主动性和自己想办法的机会。 一个程序员并不是对他所能接触到的一切进行编程的人。 就像一个人不是喝所有燃烧的东西和吃......所有移动的东西的人。 aab 2007.10.29 22:01 #257 我们将研究这个问题，谢谢你，请上传图片并使用 "附件文件 "粘贴。 Yurixx 2007.10.29 22:32 #258 我当然知道，但这叫 "走后门"。 我希望这只是一个临时措施。一旦它能正常工作，我就会把图片放到它们该在的地方。 PS 唉，即使是这样也没能抓住机会。 修复该网站，请。没有图片可以附加，没有文件... Сергей 2007.10.29 22:36 #259 对Yurixx 令人惊奇的是，我们没有只看所产生的移动平均数 系列的传播，而是悄悄地和平地达成了一个理论估计，而且是通过梯度下降，基于一个未经证实的分布。这在理论上是很酷的! 好吧，我还不相信，在去光荣的库尔干市出差后，我将再次重读。:о))) PS：想起了我近乎科学的生活中的一个案例。带着一卷长长的推导公式来找我的老板，在查过之后，他说没有错误，但可以更简单。对于这句话，我自豪地回答说："我们不寻找简单的方法"，他立即回答说："这就是为什么你没有找到它"。 Yurixx 2007.10.29 22:55 #260 grasn:对Yurixx令人惊奇的是，我们没有只看所产生的移动平均数系列的传播，而是悄悄地和平地达成了一个理论估计，而且是通过梯度下降，基于一个未经证实的分布。这在理论上是很酷的! 在我看来，它比这更简单。在指标或顾问init()中嵌入一小段代码，根据t/f和平均参数来计算归一化系数。它是有效的。如果专家顾问不在你的电脑上，而历史记录加载在未知卷上，你怎么能在锦标赛中做到这一点？ 但这是一件微不足道的事情。我有一个更严肃的问题。每次改变符号、t/f等，你都要重新计算这些比率，是用手工还是用Matkad :-)？?你不觉得厌烦吗？或者为所有符号、T/F、平滑参数等创建一个数据库？?:-) 还有一点，也是最重要的一点。但如果你没有注意到这一点，不管怎样。:-))) 顺便说一句，鉴于外汇中任何价值的分布都不为人所知（只知道它是非正态的），"未经证实的分布 "是荒谬的。这是个好笑话。 1...192021222324252627282930313233...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
因此，这项任务已经抓紧进行。这很好。现在我将尝试表达我的想法。如果我写错了什么（或不能理解--告诉我）。
芳草萋萋
- 是的，真的有一种边缘效应。但这就是问题所在，它通常被认为是不好的（干扰）。如果存在 "随机共振 "怎么办。假设这个变体--价格运动的方向与曲线的方向重合（共振），但不重合（无共振）。谁检查的？(也许这就是圣杯 的所在）。各种Henning、Hemming、Blackman等窗口也不能打折扣。(减少这种影响)。
- 关于噪音，我们总是有一个信号+噪音的混合物。而且我们没有机制将其从信号中分离出来，机械地（如我的例子中，关闭接收器并测量其强度）。所以我建议另一个选择。从能源的概念开始。信号的能量推动了市场的发展。噪声能量使我们无法看到（分离出一个有用的信号）。
- 如何行动
...你说抓住它是什么意思？我们正在讨论二十页，如果你仔细阅读（慢慢来）。对信号处理的概述很好，谢谢，但我建议把它全部扔掉，如果你想在这个问题上做出富有成效的工作，用FIR或IIR类的普通数字低通滤波器来代替它，除非你确信低通滤波器能找到一个真正的信号。
关于噪声，最好是选择EVERYTHING而不是WE，这更符合逻辑，但这种方法的边缘效应被严重消除，这是事实，因此你不会选择边缘的任何噪声，信号本身将是噪声。
PS：结果是你会发明比FATL更糟糕的过滤器。不要自欺欺人了，制作自适应滤波器是一门完整的艺术，其设计的原则也大不相同。
候选人，这部作品描述了在潜在水平方面对价格走势的预测，你可能会感兴趣。 质量不好，但它是单体阅读，此外，只有四页的公式和图表。
嗯，我在开始时不是给了一个链接吗？:)正如他们所说，让面包流动起来，它就会回到你身边 :)。干得好，我认为。
- 建立一个指标
我记得当我在尝试klot 的库时，我做了一些指标。只有在visualizer中运行，并等到有足够的条数进行FFT。 跳跃的原因很清楚，播放的频率数量，如果增加采样，它们将被平滑。当然klot 库必须到位（在CodeBase中有一个）。
嗯，这不是我在开始时给出的链接吗？:)就像他们说的，把面包放在水面上，它就会回到你身边 :)。干得好，我认为。
是的，我搞砸了，至少标志着从哪里来的，从谁的饲料刷的，Vot t记得读完后，你喜欢的文章，谁给的链接，忘记了，是的，记得鱼在Strugatsky说，"我的岁月不是那些，木看到..."。但每朵云都有一线生机，人们可能会再一次下载这份文件。
所有感兴趣的人和观众请注意。
以下是我几天前向大家提出的问题的解决方案。原则上说，这里面没有什么新东西。我只是简单地实施了这个程序，我在这个主题的最后一篇文章中描述了这个程序。把它放在那里的意义很简单：我看到这个方法的几个应用，所以也许它对某人有用。我还想 "证明 "理论方法的有用性。
因此，问题很简单。有一系列{X}的随机数服从于某种统计学。因为X的可能值属于区间[0,∞]，所以统计是非高斯的。X=0点，一般来说，可能不属于一般人群。系列{X}的成员数为N，这个数字大到足以使基于现有数据和其他统计参数的分布具有一定的可信度。
µ=M(X)是系列{X}的均值
D=M(X*X)--序列{X}的方差
σ=√D--序列{X}的倾斜度
由于可用数列是有界的，其所有元素都属于有限区间[Xmin,Xmax]，Xmin>=0。
我们在现有序列{X}上构建一个周期为M的移动平均线Y。 平均方法可以是任意的。结果我们得到一个新的数列{Y}，它显然有N-M+1项。系列{Y}的集合也属于一个有限区间。用[Ymin,Ymax]表示。
问题是如何从序列{Y}的统计数据和参数中计算出Ymin和Ymax？我将在最后写出这可能的用途。
第一步是构建序列{X}的分析性分布。在Bulashev的书中，我只发现一个分布函数，它的定义区域[0,∞]是对数正态分布。我不会说它的坏话，但它不适合我。
由于我的（以及许多其他）系列的统计数字是这样的：在X→0和X→∞处的概率密度 p(X)趋于0，我假定p(X)的一般形式如下。
p(X)=A*(X^a)*exp(-B*(X^b))，其中a>0和b>0
据此，积分分布函数定义如下：F(X)= ∫ p(ξ) dξ。这里和进一步的整合极限从0到X都是隐含的。不幸的是，当地的编辑不让上、下索引在网站上出现。人们必须扭曲它。这当然看起来很乱，但这也是没办法的事。ξ只是一个积分变量。
为了能够用它做任何事情，这个积分必须以分析的形式进行。通过对各部分进行积分并使用极限值p(0)=0，我们可以看到
∫ (ξ^a)*exp(-B*(ξ^b)) dξ = -1/(B*b) * (X^(a-b+1))*exp(-B*(X^b)) + (a-b+1)/(B*b) *∫ (ξ^(a-b))*exp(-B*(ξ^b) dξ
也就是说，价值X的指数a每次都会减少b。如果在k步之后，这个指数变得等于b-1，那么积分就会被还原成表格中的积分。因此，我们可以明确地制定积分性条件。
a-k*b=b-1，或者a=(k+1)*b-1，其中k>0是一个整数。
然而，由于我们仍然要计算平均数和方差，这种整齐性是不够的。让我们看看明确计算这个分布的所有中心矩需要什么。显然，µ=∫X*p(X)dX(这里积分到∞)。让我们把µ作为µ(X)的函数来计算，假设在积分中，上限是可变的。
µ(X) = ∫ ξ ξ*A*(ξ^a)*exp(-B*(ξ^b)) dξ = ∫ A*(ξ^(a+1))*exp(-B*(ξ^b) ) dξ
也就是说，它是一个指数为a1=a+1的同类积分。对于整数性，a1必须满足同样的条件。
a1 = (k1+1)*b - 1，其中k1>0是一个整数。
将此与a的条件相比较，我们得到。b = 1/( k1 - k)。表示n=k1-k，我们最终得到参数b的可接受形式：b=1/n，其中n>0是一个整数。还要注意的是，应该满足0<n<=k的关系。
牢记这一切，我们不仅可以以明确的形式获得积分分布函数F(X)，而且还可以获得分布的所有中心矩。
F(X) = 1 - exp(-Z)*∑ (Z^i)/i!
Ml(X) = (k+n*l)! /(k!*(B^(n*l))*{ 1-exp(-Z)*∑(Z^i)/i!}，其中Z = B*(X^(1/n)) 。
出现在函数p(X)中的常数A是由归一化条件计算出来的，并在这些表达式中加以说明。上行的求和符号∑意味着对0到k的指数i进行求和，下行是对0到k+n*l的i进行求和。值Ml是第l个中心动量（不要混淆l和1）。
请注意，当X=0时，所有得到的函数都转为0，而当X→∞时，有以下的界限。
F(X→∞)=1（归一化条件），Ml(X→∞)=(k+n*l)！/(k！*(B^(n*l)))。
因此，我们得到。
µ = M(X) = M1(X) = (k+n)! /(k!*(B^n))
D = M(X*X) = M2(X) = (k+2*n)! /(k!*(B^(2*n))
现在，一切都在那里了，我们可以回到原来的系列。由此产生的最终分布函数p(X)包含三个参数，可以用来确保p(X)最好地重现系列{X}-B，k，n的统计数据。
当然，你可以按跨国公司找到它们，但那很无聊。我已经为我的系列做了更简单的处理。从以上公式可以看出
D/µ^2 = (k+2*n)！*k！/((k+n)！)^2
因此，D/µ^2的值与B无关。由于D和µ对于数列{X}是已知的，我们只需要选择这样一对(n,k)，就可以得到最接近的值。我刚刚建立了一个关于(n,k)对的可能值的表格，发现只有4个合适的值：(2,3)、(3,8)、(4,16)和(5,26)。现在B的值是由D或µ的表达式决定的，是基本的。
有趣的是，前两对的数值（n,k）（我没有检查其他的）给了实验分布曲线p(X)一个很好的重复性。至少对我来说，这种质量是非常好的。
一路走来，我想到了一个有趣的问题。也许有人能启发我，为什么这样一个简单方便、属性良好的分布函数在统计学中没有被使用？如果它被使用，为什么不写出来呢？我从未见过有人试图近似对数正态以外的增量分布。
马勒松芭蕾舞的第三阶段涉及到一些极限X1和X2的计算。
系列Y=∑X的构造与X的M个值的平均化有关。有理由认为，如果X的最小值中有M个落在平均值内，就可以得到Ymin（理论上的最小值）。
在OX轴上，X值的最小值中有M个占据了区间[0, X1]，X值的最大值中有M个占据了区间[X2, ∞]。这实际上是对数值X1和X2的定义。
由于系列{X}中总共有N个元素，所以F(X1)=M/N，1-F(X2)=M/N。
函数F(X)是已知的解析形式，因此上述确定X1和X2的方程是解析方程，尽管是超越式的。任何数值迭代方法都可以应用于解决这些问题。因为从下图可以看出，函数F(X)是单调的，所以可以用梯度下降法从拐点开始快速得出F(X1)和F(X2)的值。当以MQL允许的最大精度计算时，13-14个步骤和不到一秒钟的时间足以获得X1和X2的值。对(2,3)和(3,8)的时间实际上是一样的。尽管如此，MQL是一件好事。(好一个matcad .... J)
我希望大家清楚p(X)和F(X)在哪里。
图1.
看一下X1和X2对M的依赖性，或者说对M/N比的依赖性，也是很有意思的。但我们将暂时把它放在一边，因为剩下的时间不多。只需注意，在极限中，当M→N时，X1→∞和X2→0必须成立。而我们将处理这整个故事的最终目标的定义，即数值Ymin和Ymax。
事实上现在非常简单。区间[0, X1]给出了M最小X的位置，[X2, ∞]给出了M最大X的位置，我们的任务是确定它们上的两个平均值。如果平均算法 不是微不足道的，那么就必须为每个特定情况单独解决问题。如果它对应的是一个简单的MA，我们可以使用公式。
Ymin = M(X1)/F(X1)，Ymax = (µ - M(X2))/(1 - F(X2))。
这些公式有一个简单的 "物理意义"，所以我不做解释。我将介绍Ymin和Ymax与Х1和Х2值的关系图。它以红色显示Ymin，以蓝色显示Ymax。绿松石色的横线表示µ的值。
正如人们所期望的那样，X1→∞处的Ymin和X2→0处的Ymax都趋向于µ，一个来自下方，一个来自上方。
图2.
它们都对应于M→N，这一点从X1和X2对M值的依赖性图中完全可以看出。是的，你做到了。这是最开始的图表。而这两条曲线中，你应该使用曲线F(X)。但你不应该通过X来确定F，而是反过来，你应该通过F来确定X。在做这个的时候，你也要看一下X1和X2的方程式，记住如果M→N，那么M/N→1。
因此，事实证明，当M/N随M增加时，X1增加（Ymin也随之增加），X2减少（Ymax随之减少）。但它总是Ymin< X1和Ymax>X2。
在我的计算中，我得到1-3-5个系列{X}的值，取决于N的值，可以超过X2的上限（这个意义上的下限没有意义）。同时，Ymax的值永远不会被超过。这在一般情况下是可以理解的：X的所有M值都是最大的情况是例外。至于系列{Y}的值，它们超过X2的概率更小。更不用说Ymax了。
因此，我们有两个对{Y}值范围的估计，一个是硬的，一个是软的。我们可以根据问题的要求，使用其中的任何一种。
PS
对不起。我不能插入图片。不是以任何形式。该网站一定是出现了故障。
最后，为什么需要这一切。
当我在这时，我看到了使用这一切的几种可能性。
1.所有已知的TA指标的正常化，特别是--震荡器。有没有人注意到，振荡器只能在其平滑期的狭窄范围内使用？随着周期的减少，它开始来回折腾，而随着周期的增加，振幅下降得很厉害，以至于无法达到水平。下面是一个最受欢迎的RSI的例子。14和30两个时期的两种变化。如果你依赖第二种方法，你可能根本就不会交易。很少达到70/30的水平。或者说，这些水平应该在每个时期重新进行优化。
图3.
TA指标实际上并不依赖于t/f，据我所知，这是他们统计的一个特殊性。但在这里，如果平滑问题得到解决，也许可以从他们身上获得一些新的东西。有了这样一个随机的归一化程序，我认为这是很有可能的。
2.我个人的问题是，该系列的传播在很大程度上取决于N。不然怎么会这样呢？"赫斯特白受罪了吗？:-))
现在，我可以把一切都带到一个通用的标准，在这个标准中，无论是切换到另一个T/F，还是改变平滑期都不会影响系列值的范围。这使得所有其他参数值的输入/输出都可以使用相同的电平。在这种条件下，优化是有意义的。通过在一个T/F上的优化，我可以在另一个T/F上检查该策略的盈利能力。如果它持续存在，这意味着该策略真的有效。如果没有，就被丢弃了。
也许这对其他人来说是有用的。
3.到目前为止，还没有人能够直接使价格图表正常化。但能这样做就好了。我们感兴趣的不是绝对值，而是其波动情况。也许我们将设法以这种方式进行。希望的人可以试试。
4.在我一无所知的神经网络中，有必要对数据进行标准化处理。走出条件范围会导致神经鼠的损失。
也许这种规范化的方式在某些情况下会被证明比目前使用的方式更有用。
这就是全部。任何形式的批评都可以接受。
PS
我故意没有张贴任何代码或代码样本。该算法没有详细描述，但非常详细。这很容易理解。当然，如果你想的话。
我鼓励社区以我为榜样。
理由如下。
这个蛋糕还不能食用。它不是一个最终的解决方案，而是一种方法。在私人任务中使用这种方法，仍然会使它们成为私人任务。那些不屑于为自己理解和有意义地使用它的人，会急于使用其他人的解决方案，会被误导，会浪费时间，可能还会浪费金钱。
为了正确使用这个方法，你需要
1.拟定你的系列{X}是什么。
2.用适当的程序正确地形成它。
检查其统计数据，计算统计参数。
探索这个系列在不同t/fs上的统计的对应关系。
5.找到合适的统计对k,n。
6.计算B参数。
7.构建一个模型分布函数p(X)，并将其与实验的分布函数进行比较。只有当模型和实验的拟合度令人满意时，进一步使用这种方法才是正确的。为此，有必要制定一个估计标准。
8.最后，还需要能够正确使用获得的Ymin和Ymax。这并不像看起来那么容易。:-)
所以，程序员朋友们，不仅要避免鼓励免费，也要给别人一个机会，一个展现主动性和自己想办法的机会。
一个程序员并不是对他所能接触到的一切进行编程的人。
就像一个人不是喝所有燃烧的东西和吃......所有移动的东西的人。
我当然知道，但这叫 "走后门"。 我希望这只是一个临时措施。一旦它能正常工作，我就会把图片放到它们该在的地方。
PS
唉，即使是这样也没能抓住机会。
修复该网站，请。没有图片可以附加，没有文件...
对Yurixx
令人惊奇的是，我们没有只看所产生的移动平均数 系列的传播，而是悄悄地和平地达成了一个理论估计，而且是通过梯度下降，基于一个未经证实的分布。这在理论上是很酷的!
好吧，我还不相信，在去光荣的库尔干市出差后，我将再次重读。:о)))
PS：想起了我近乎科学的生活中的一个案例。带着一卷长长的推导公式来找我的老板，在查过之后，他说没有错误，但可以更简单。对于这句话，我自豪地回答说："我们不寻找简单的方法"，他立即回答说："这就是为什么你没有找到它"。
对Yurixx
令人惊奇的是，我们没有只看所产生的移动平均数系列的传播，而是悄悄地和平地达成了一个理论估计，而且是通过梯度下降，基于一个未经证实的分布。这在理论上是很酷的!
在我看来，它比这更简单。在指标或顾问init()中嵌入一小段代码，根据t/f和平均参数来计算归一化系数。它是有效的。如果专家顾问不在你的电脑上，而历史记录加载在未知卷上，你怎么能在锦标赛中做到这一点？
但这是一件微不足道的事情。我有一个更严肃的问题。每次改变符号、t/f等，你都要重新计算这些比率，是用手工还是用Matkad :-)？?你不觉得厌烦吗？或者为所有符号、T/F、平滑参数等创建一个数据库？?:-)
还有一点，也是最重要的一点。但如果你没有注意到这一点，不管怎样。:-)))
顺便说一句，鉴于外汇中任何价值的分布都不为人所知（只知道它是非正态的），"未经证实的分布 "是荒谬的。这是个好笑话。