随机流理论和外汇 - 页 14

新评论
 
Yurixx:


嗯，在我看来，这种说法太僵硬了。事实上，没有任何研究对模型的寿命作出统计。此外，没有关于识别模型所需的信息量（=滞后时间）的数据。 甚至那些引入和使用这些模型的人也宁愿不进行这种研究或不发表这些研究。显然，人们认为，如果策略具有正摩，那么在概率均衡之前，该模型就会被认可。

而且有这样的策略，活生生的。看得更 清楚。他的EA实际上做了我想在我的EA中实现的事情--它能识别支点 并在波浪的起点进入。而且它既可以向上移动，也可以向下移动。在这里，你有一个预测，在承认之前。

...

因此，我们需要明确估计内存和计算周期方面的资源。否则你可能得到一个5-10小时的计算周期。那么有什么新闻呢？只留下几天或几周的时间来玩。:-)


当然，这实际上是一种假设，它不是基于统计学（统计学不能成为这种说法的论据，因为一个例子就足以推翻它们），而是基于系统的考虑，即平衡的考虑。但优步的 顾问也不是一个论据--观察时间少。然而，对于我们这些没有钱的人来说（我们中很少有亿万富翁:），有一个好消息：我们的行动不会以任何方式影响市场，这一事实简化了任务。除非我们的模型与其中一只鲸鱼的模型相吻合 :)

计算量的问题将通过建立一个集群来解决，我认为对于准备好的战略的工作来说，招募参与者不是问题。那么，一台电脑有希望处理一个过滤器。

 
lna01:


好消息是，我们的行动不会对市场产生数量级的影响，这简化了任务。除了当我们的模型与其中一只鲸鱼重合的时候 :)

计算量的问题可以通过建立一个集群来解决，我想招募参与者来研究一个现成的策略不会有问题。而一台电脑有希望处理一个过滤器。


我想知道，"我们的行动对市场没有影响 "这一事实如何将任务简化 "一个数量级"？在我看来，情况恰恰相反。如果我们的行动对市场产生影响（以一种理想的方式），它不仅会简化，甚至会消除这个问题。:-)那时我们就不需要任何机器人了。

至于集群，你让我很不爽。即使是我个人的参与，我认为也无法挽救这种情况。地球上只有80亿人，可能没有更多的计算机。如果你有100-1000亿个过滤器需要计算，你到底怎么能做一个集群？:-)))

 
Yurixx:
我认为事实恰恰相反。如果我们的行动影响了市场（而且是以一种理想的方式），它不仅会简化市场，而且会消除它这个问题。:-)那时我们就不需要任何机器人了。

以一种理想的方式？一旦我们的行动开始明显地影响市场，市场就会开始对我们个人不利。包括中央银行和情报机构。索罗斯在他的时代作为一次性行动是成功的，而你想有一个模式，让你抽出世界上所有的钱？好吧，让我们说说它的作用。那之后谁会需要这些钱呢？:)

纯粹从技术上讲，所有的常数都会开始变成变量。

如果有十亿参与者，没有反馈的近似值将停止工作。而100不是一个遥不可及的数字。

 

Калмановская фильтрация

简介

目前，自适应滤波器被广泛使用，在这种情况下，传入的新信息被用于持续修正之前对信号的估计（无线电定位中的目标跟踪，自动控制系统等）。特别值得关注的是递归自适应滤波器，即卡尔曼滤波器。

这些滤波器被广泛用于自动调节和控制系统的控制回路中。这就是它们的起源，在描述它们的运作时，使用了状态空间这样具体的术语，这就是证明。

参数估计的任务

统计决策理论中具有重要实际意义的任务之一是评估系统的状态向量和参数，其表述如下。 假设我们需要评估一个不能直接测量的向量参数X 的值。估计的任务包括回答这个问题：在知道Z 的情况下，我们能对X 说些什么。一般来说，向量X 的最佳估计程序取决于估计时采用的质量标准。例如，参数估计任务的贝叶斯方法需要关于估计参数的概率属性的完整先验信息，这通常是不可能的。在这些情况下，使用最小二乘法（LSM），这需要更少的先验信息。让我们考虑一下LOC在以下情况下的应用：观察向量Z 与估计向量X 通过线性模型相连，存在一个与估计参数不相关的干扰V。

(1)

其中，H 是一个描述观察值和估计参数之间关系的转换矩阵。

最小化误差平方的估计X 写成如下。

(2)

让干扰V 是不相关的，在这种情况下，RV 矩阵只是一个单位矩阵，估计的方程变得更简单。

(3)

筛选问题

与有固定值的参数估计问题不同，在滤波问题中，我们需要评估过程，即找到被干扰扭曲的时变信号的当前估计值，因此无法直接测量。一般来说，滤波算法的类型取决于信号和干扰的统计特性。让我们假设所需信号是一个缓慢变化的时间函数，干扰是不相关的噪声。我们将使用最小二乘法，这也是由于缺乏关于信号和干扰的概率特性的先验信息。

从本质上讲，我们实现了一个基于信号生成过程的自回归模型的参数化估计过程。

通过填入矩阵H 和观察列向量Z，公式3很容易以编程方式实现。这种滤波器被称为有限记忆滤波器，因为它们使用最后的k个观测值来获得当前的估计值Xpoc。在每个新的观察周期，一个新的观察值被添加到当前的观察值集合中，旧的观察值被丢弃。这种获得估计的过程被称为滑动窗口。

记忆力不断增强的过滤器

具有有限内存的过滤器有一个主要的缺点--在每次新的观察之后，必须再次对所有存储的数据进行全面的重新计算。此外，只有在积累了前k个观测点的结果后，才能开始计算估计值。也就是说，这些过滤器的瞬态过程时间很长。为了解决这个缺点，我们必须从一个具有永久记忆的过滤器转变为一个具有增长记忆的过滤器。在这样一个滤波器中，用于估计的观察值的数量必须与当前观察值的数量n相吻合。这允许从等于估计向量X的分量数量的观察值开始获得估计。而这是由所采用的模型的顺序决定的，也就是说，模型中使用了多少个泰勒级数的项。同时，随着n的增加，滤波器的平滑特性得到改善，也就是说，估计的准确性得到提高。然而，这种方法的直接实施与不断增加的计算成本有关。因此，具有不断增长的内存的滤波器被实现为递归滤波器。

一个具有增长记忆的滤波器有一个重要的特点。 如果我们看一下公式6，最终的估计值是预测的估计向量和修正项的总和。这个修正对于小的n来说是很大的，随着n的增加而减少，对于......来说趋向于零。也就是说，随着n的增加，滤波器的平滑特性增长，其中固有的模型开始占主导地位。但真实的信号只能在单独的区域内与模型相适应，所以预测的准确性会变差。为了与之抗争，从某个n开始，修正项被禁止进一步减少。这相当于滤波器带宽的变化，即在小的n下，滤波器更宽（惯性更小），在大的n下，它变得更惯性。



比较图1和图2，在第一个图中，滤波器有一个很大的内存，具有很好的平滑性，但由于带宽很窄，估计的轨迹落后于真实轨迹。在第二个图中，滤波器的内存较小，不那么平滑，但能更好地跟踪真实轨迹。

在从头开始阅读该分支并浏览了上面摘录的文章内容后，很明显，使用卡尔曼滤波器处理BPs的方法是基于对分析的BPs中存在确定性趋势的先验声明。
让我们来定义一下。
1.设有一个正态分布的随机变量，期望值为零，相关图为零或符号变量。通过整合它，我们得到了一个时间序列的模拟。如果这个系列足够长，我们可以标出任何长时间的方向性价格运动。 让我们把这种趋势称为随机 趋势。基于建立TS的主要不可能性，它可以在长时间间隔的这种系列上获得利润，我们得出结论，不可能在休闲系统的帮助下检测随机趋势。
2.假设有一个正态分布的随机变量，期望值为零，相关图为正。
如果这个系列足够长，我们可以在上面找出任何长时间的价格定向运动。 让我们把这样的趋势称为确定性的 趋势。确定性趋势原则上可以用低通数字滤波器或其导数来检测。 例如，两个不同周期的移动平均线 的交叉，无非是平滑时间序列的导数的近似。很明显，这与数学的要求一样：导数大于零意味着函数在增加，小于零意味着函数在减少。但只有少数人知道，它只对具有正FAC的系列起作用，而所有TF中的所有货币系列都具有负FAC!因此，这种方法在市场上不起作用，或者它起作用了，但却是偶然的......。
时间序列分析的主要问题
 时间序列与构成随机样本的观察序列的主要区别如下。
- 首先，与随机样本的元素不同，时间序列的成员并不独立。
- 其次，一个时间序列的成员不一定是平等分布的。

一般来说，在时间序列值形成的影响下，有4个因素被区分出来。
1.形成所考察属性的整体（长期）趋势的长期的。通常这种趋势是由一个非随机函数（其参数是时间）描述的，通常是单调的。这个函数被称为趋势函数或简称为趋势。
2.季节性，在一年中的某些时候，形成被分析属性的周期性波动。由于这个函数是周期性的（周期是 "季节 "的倍数），其分析表达涉及谐波（三角函数），其周期性通常由问题的本质决定。
3.由经济或人口性质的长期周期（康德拉季耶夫波、人口 "洼地 "等）引起的被分析属性的周期性（联合）形成变化。
4.随机的（不规则的），不能被计算和记录。 它们对时间序列值的形成的影响正是决定了序列元素的随机性，因此需要将成员解释为对随机变量的观察。让我们用随机变量（"残差"、"误差"）来表示随机因素影响的结果。

当然，在任何时间序列的数值形成过程中，并不需要所有四类因素都同时参与。关于某一类型的因素是否参与某一特定时间序列值的形成的结论，既可以基于对问题的实质部分的分析，也可以基于对所调查的时间序列的特殊统计分析。然而，在所有情况下，都假定有随机因素的参与。因此，一般来说，一个数据模型（有一个因素影响的加法结构方案）看起来是所有或部分因素的总和。
根据一些标准，BPs被称为一种或另一种类型。 根据这些标准，FX型BPs不包含确定的趋势，没有周期性成分，没有季节性成分...我可以继续吗？
现在问你一个问题，Prival：我们要用一个多变量的、超级复杂的卡尔曼过滤器来检测什么？



 

过滤器可以被设置为任何过程，不一定是确定性的。你可以将1号过滤器设置为（1.长期，....）2号过滤器为（2.季节性，...）3号过滤器为（3.周期性...）4号过滤器为（4.随机（不规则），...）等等。

我不认为在分析和决定报价流向和平面运动移动的地方有什么根本的区别。一架飞机可以进行俯冲、卡巴、蛇、眼镜蛇和......。...在任何时候都可以进行任何类型的机动操作（如飞行员所愿）。而当他知道导弹发射后，相信我，他在油锅里像地狱一样旋转。

卡尔曼过滤器的 任务（不是一个！！！过滤器用于所有情况），而是几个。1 确定 - 机动的类型和开始的时间。2 预测飞机在一定时间内的位置，以便最有效地攻击它（获利:-））。

因此，有必要建立的不是1个过滤器，而是几个，每个都是为自己的模型（平坦，趋势）设置的。

最简单的变体是1个与趋势有关的过滤器，另一个与平盘有关。卡尔曼滤波算法有一个程序，可以让你确定现在哪个滤波器更好。

我希望你不要争辩说，有些系统在平坦的趋势中运作良好，但在趋势中却失败了，反之亦然，它们在趋势中运作良好，但在平坦中却不行。所以卡尔曼滤波器可以告诉你什么时候需要切换。

P.S. 我仍然会尝试建立卡尔曼滤波，建立不同的运动模式，并根据它们实现TS。卡尔曼过滤器有一个标准指标所没有的独特功能，它能够预测+比方说我建立了3个过滤器平坦、趋势、缺口。在某些部分，这些过滤器都不起作用，我分析这个部分并建立第四个过滤器，等等。不是从-100到+100（感知器）的愚蠢搜索，而是对系统进行有意义的训练。
 

到私人公司

我希望你不是在建立一个针对报价的战略防御 倡议，作为对帝国主义秃鹰的回应？:о)))

 
Prival:
P.S. 我仍然会尝试建立一个卡尔曼滤波器，建立不同的运动模式，并在此基础上实现一个TS。例如，我将建立3个过滤器：扁平、趋势、缺口。在某些部分，这些过滤器都不起作用，我分析这个部分并建立第四个过滤器，等等。不是从-100到+100（感知器）的愚蠢搜索，而是对系统进行合理的学习。


我建议：不要太用力，你可能会折断你的手。开始时，只建立一个过滤器，用于平坦或趋势。当你在做这件事时，你会了解很多关于外汇的知识，而且会更容易继续前进。了解以下内容尤为重要：真正的交易员都不以盈利为目的。 的任何情况.每个人都为自己找到一个非常有限的清单，只在这些特定的模式上工作。

如果你设法创建一个过滤器，能够从统计学上区分出一个不太罕见的有利可图的情况，比如说每天一次，那么这就是这里每个人都梦想的玉米地。

 

私人，这个话题很有趣，我了解了你的文章--明智的想法（虽然在我看来，在直角坐标系中建模和过滤轨迹更好，但这并不相关）。然而，在我看来，空中目标的AFK多普勒轨迹和价格走势在视觉上有些相似，不值得注意，因为这些过程的性质完全不同。飞机的动态特性和报价，唉，没有什么共同点。正如这里的一个主题将价格走势比作苍蝇的飞行路线，而不是飞机的飞行路线。 但即使是苍蝇也没有能力像鹅那样。

同时，如果你把价格的线性回归 定义为一个信号，你可以在一年内 "抓住 "几百个点，甚至是零 - 如果线性回归的系数等于零。对随机共振也可以这样说--我们可能以牺牲一个振幅较大的高频趋势为代价，检测到一个缓慢的趋势，但我们能从中获得什么？也就是说，有时在短短的两三天内就会出现几位数的价格变动。而且几乎每对夫妇在一年中都可能有几十次这样的运动。而在小的时间框架内，一年中可能有数百次半数左右的变动，以及数千次20点的变动。所以问题是：我们需要的是信号还是噪音？

我不时地在论坛上重复我的论文，我认为将价格分为信号和噪音是没有意义的。它是一个时间序列，描述了一个超级复杂的非线性动态系统中的非平稳过程。它是一个标量，我们观察到的是数百万个主要参数的一般化措施。没有必要把它分成几个部分--没有。因此，应用传统的过滤方法（它们似乎已经在这个论坛的不同时期讨论过了）是不能胜任的。

是否有足够的方法？是的，有。在冠军赛前夕，在klot和其他论坛参与者的建议下，我对人工智能产生了兴趣。不幸的是，这个词被蔑视了，网站上的一些出版物甚至在我眼里贬低了它，所以在很长一段时间里，我甩掉了这个 "新奇 "的理论。然而--不，反广告也是广告，在某个阶段，Perceptron的宣传也起到了积极的作用，吸引了人们对这个主题的关注。但在阅读文献后，我看到所谓的 "弱人工智能 "与例如三十年前我第一次听说它时相比，已经走了多远。更确切地说，我落后于它有多远。

我已经实现了一个简单的网格，但其他专家顾问的例子，特别是目前的领导者Better，表明这是一个好的方向。

私人，我不想混淆你的计划，但我相信，你会发现人工智能对你的职业活动也很有用，并会更快地建立一个盈利的TS。

 

先生们，让我给你们一些建议。你为我提供了其他方法来建立我的TS（给出了人工智能、神经网络的例子，但从我的角度来看，你并没有完全理解它们）。或者你认为我刚刚开始与外汇打交道（尽管我还记得最低点差为10-15点的时候，这似乎是一种幸福），或者我对人工智能、神经网络和腿从哪里长出来一无所知：-）。

现在我将尝试帮助你理解我想做什么，以及你做什么，如果你创建一个 "简单的训练过的网络"。

为了更好地理解，我将给你链接，再读一遍，并与我下面写的内容进行比较（很遗憾，我找不到klot的声明，也许那里也有说）。

如何找到一个有利可图的交易策略（"如何找到一个有利可图的交易策略"）。

不寻常的自动交易（"不寻常的自动交易"）。

这里有一段话："如果我们把对象分为两类：多头和空头，并把技术分析的指标或震荡器的数值作为特征，那么我们只需要弄清平面的方程，并尝试用它来进行识别。问题陈述很清楚。

这就是纯粹形式的识别理论，军方将其运用得非常好，而且持续了很长时间（类别的例子（"友好的--外星人"，（战斗机--航母，等等）。而这里有一个比4类（BMP-APC-BMP模型-APC模型）更复杂的任务，试着用一条直线在这里做:-)，用它把所有东西分成4类。

神经网络，臭名昭著的人工智能就是从这个理论中出现的，只是人们天生懒惰，想再创造一个系统。"使用MT4交易平台成功地、舒适地进行交易，并且在此过程中不给自己带来太多负担，进行细致的市场分析，这有多现实？" 训练计算机识别 大量的类别和特征是非常困难的，这就是神经网络（NS）诞生的原因。NS已经取得了一些成功，但这不是万能的，那里没有INTELLECT。这些任务中最主要的，也是最重要的，是划分类别和选择特征来识别这些类别。

读完这份材料后，我有一个印象，要么作者不明白他们在做什么，要么他们很清楚地误导了我们。下面是主代码的一个样本片段。

double perceptron() 
  {
   double w1 = x1 - 100.0;
   double w2 = x2 - 100.0;
   double w3 = x3 - 100.0;
   double w4 = x4 - 100.0;
   double a1 = iAC(Symbol(), 0, 0);
   double a2 = iAC(Symbol(), 0, 7);
   double a3 = iAC(Symbol(), 0, 14);
   double a4 = iAC(Symbol(), 0, 21);
   return (w1 * a1 + w2 * a2 + w3 * a3 + w4 * a4);
  }

如果我创建一个战斗算法，确定 "朋友或敌人 "使用的标志（一个技术指标加速/减速（AC）），到墙上会很少（即使我考虑到对象的加速度7，14和21分钟前）。它并没有改变本质。并注意，我只说了分班的任务，并没有说分班后该如何处理它们。上述材料的作者，把所有的东西都混在一起（马上进入买或卖的战斗）。

现在我想回到我在这个主题中发布的材料，并展示TC应该是什么样子的（自然是从我的角度来看）。

1.这里有一张图片，想一想，也许它能告诉你如何改进你创造的 "网格"。这是一张瓦尔多夫斯基探测器的图片（YES-NO逻辑，我在几页前谈到过它）。

2.明确定义识别的标志（我想用我在卡尔曼过滤器中奠定的 "行为 "模型作为它们。）你放什么我不知道，试着观察至少有一个条件特征一定是不相关的（强相关）。

确定你要将输入的报价流分为哪些类别（例如 "平坦的趋势"）。只有在认识到流向后，才会投入战斗，即选择一个在平坦中运作良好的交易系统，另一个 - 在趋势中。

P.S. 我又损失了半天，说了一些对我来说很明显的事情，但我的目标还没有达到:-(。我从来没有找到真正愿意帮助我创建TS的人。我可能会删除这个该死的主题。

 

我相信，建设性的批评和双方在设计阶段可能达成的协议以及对可能的策略的讨论一样有价值。这可以节省时间和精力。因此，我认为没有理由感到恼火--我们是在同一个团队中，有一个共同的目标。

你，Prival，已经多次注意到飞机有质量，因此，总是有可能选择一个时间尺度分区的离散性，从而使描述飞机在空间运动的曲线，考虑到所有可能的翻筋斗，将是平滑的。在这条曲线上叠加一个加法随机干扰并不改变情况--我们可以重建轨迹并能够预测。 我认为这是区分洛杉矶行为和VR价格类型的一个基本点。在充满干扰的价格系列中没有平滑的曲线--有评价标准可以肯定地说是这样。

这是我的批评，而你，到目前为止，还没有对它作出建设性的回应。

1...789101112131415161718192021...85
新评论