自适应数字滤波器 - 页 2

 

好吧,他对卡尔曼下手是错误的。如果我理解正确的话,它说的是具有恒定系数的卡尔曼滤波,被称为α-贝塔-伽马滤波(这些是卡尔曼滤波的不同修改)。

你需要一个 "中子"。

这里我们比较了卡尔曼滤波器(正确)和巴特沃斯滤波器。随机流理论与外汇》。

在matcad上有一个计算它们的算法。如果有人冒险在MQL中做一个巴特沃斯滤波器,我可以提供帮助(解释有什么以及在Matkadec中是如何计算的),我不认为JMA会更好(你可以比较)。

卡尔曼本质上是迭代式的MNC,所以只有一个办法,如果嵌入过滤器的模型与所研究的过程不匹配的话。(他们只是不知道如何准备它 :-))

理解适应这个词意味着对你要适应的问题的回答。在无线电定位中,有信号(有用的成分)和噪声(干扰我们的东西)这样的概念。 在理解了这个问题之后,就有可能做出适应性的过滤器,在你回答这个问题之前,并不清楚你需要适应什么。

 
NightPaul:

2grash
这里是作者自己写的关于JMA的内容 ) -http://www.jurikres.com/catalog/ms_ama.htm#top
由于所有这些都是出售的,我们得到的只是反汇编的代码,正如我所理解的那样,我真的想了解什么是技巧 )

谢谢你的链接。我认为这只雪貂使用的是一种相当棘手的自适应滤波算法,很可能是仅仅基于自相关的预测元素。我想是的。 :o)

私人公司
理解适应这个词意味着对适应什么问题的回答。在雷达中,有信号(有用的成分)和噪声(干扰我们的东西)这样的概念。 在理解了这个问题之后,就有可能做出适应性的过滤器,在你回答这个问题之前,不清楚你需要适应什么。
这是多么真实的事情啊,私人...我完全同意。顺便说一下,我记得你和你的同事试图建立一些ACF指标,并从 "ACF指标 "开始。我在这里有一个 "观察"。
 
为了掌握ACF的情况,如果不是论坛成员的帮助,我还会在这里打探。因此,至少从我的角度来看,已经做了很多好的和有用的事情。我现在停下来了,我需要思考,很多事情都因为一件事而分崩离析,不知道过程的采样率。我想我明天会开一个新的主题,我需要得到目前对价格和采样率的估计,并有一个最小的置信区间。然后继续前进。到目前为止,我正在写一个介绍性的页面,解释它的用途,使之更加清晰。如果有可能的话,关于它多一点 "我有一些 "观察"。知道 "Widrow-Hopf "这个词的人可以有非常有趣的观察,IHMO
 

私人公司

我研究了什么并不重要,但我'抓'到了ACF的同伴。这只是一个观察,没有得到任何证实,大致上说,用眼睛看了一下结果,"抓住了"。没有得到任何证明,没有得到统计学上的证实,可能完全是胡说八道,但值得偶尔检查一下。关键是要按ACF的类型对系列的发展做出一些假设。到目前为止,我已经粗略地分类了2种变体(ACF取自黑色系列,灰色系列--工艺发展)。我在给它的时候没有特别的评论,这是很明显的。

变体A


变体B

PS。

一个知道 "Widow-Hopf "这种词的人可能非常有趣......。

私下里--我写过,在DSP方面--我是自学成才的,我有限的技术文盲显然不足以理解,奈奎斯特频率统治世界......

 
我不知道你能看到什么,我可以从ACF看到选项A可以预测200次(我不知道你在X轴上的分钟或其他东西)。选项B是50,那么过程的性质就会改变,但你需要看一下动态,因为ACF会随着时间的推移而改变。而这个函数首先显示的是相关时间(过程可以被预测的时间)+第二个是过程本身的类型,几乎总是一个振荡电路(在无线电工程术语中);我们可以按照振荡电路的类型进一步分类,但在我的研究中(在这个阶段)它并不是那么重要。首先,有必要了解一种振荡链路,通过类比来了解其他的振荡链路会比较容易。
 
Prival:
我不知道你能看到什么,我可以从ACF中看到,对于变体A,我可以预测200个样本(我不知道你是否有X分钟或其他什么)。选项B是50,那么过程的性质就会改变,但你需要看一下动态,因为ACF会随着时间的推移而改变。而这个函数首先显示的是相关时间(过程可以被预测的时间)+第二个是过程本身的类型,几乎总是一个振荡电路(在无线电工程术语中);我们可以按照振荡电路的类型进一步分类,但在我的研究中(在这个阶段)它并不是那么重要。起初,有必要处理一种振动元素,通过类比处理其他元素会更容易。

我试图通过简单的观察来 "按物种和类型 "进行分类。

  • 对于变体A的ACF的 "类型":该过程最常不脱离其平均值,并在一段时间内保持其统计数据。
  • 对于变体B的ACF的 "类型":该过程更经常地从其平均值中 "脱落"。

一般来说--如果它不是主要的事情,那么它就不重要......祝你好运

 
下面是作者自己写的关于JMA的内容。http://www.jurikres.com/catalog/ms_ama.htm#top

这个JMA非常令人印象深刻,非常令人印象深刻。不知何故,我以前没有太注意它,因为我对慕容复有一种先入为主的观念。但现在看来,我不得不重新考虑了。

至于代码库中的那个JMA('JMA'),它显然不像是原来的那个。是的,它很流畅,但显然滞后更多。Parabellum 在那里的绘画更有说服力。

这里又出现了我所纠结的问题:我想改造初始报价的图表,使其能够消除灾难,然后将尤里克的指标(或其克隆)应用于改造后的图表......。在我看来,即使分布变成类似高斯的东西,但价格过程不会是维纳式的--因为它的赫斯特指数将超过0.5(因为相邻样本的依赖性)。

P.S. Prival,再次对你说:http://www.jurikres.com/faq/faq_ama.htm#betterthan 。 特别是看从底部开始的第三个数字:JMA与其他过滤器不同,几乎没有吉布斯效应(缺口后的尖峰)。而且有一些有效的技术来消除这种影响(当我还是学生时,我看到了海明的一本书《数字滤镜》,我需要找到它)。

 
Mathemat:
以下是作者本人写的关于JMA的内容 ) -http://www.jurikres.com/catalog/ms_ama.htm#top

这是一个非常令人印象深刻的JMA,非常令人印象深刻。不知何故,我以前没有太注意它,因为我对慕容复有一种先入为主的观念。但现在看来,我不得不重新考虑了。

至于代码库中的那个JMA('JMA'),它显然不像是原来的那个。是的,它很流畅,但显然滞后更多。Parabellum 在那里的绘画更有说服力。

下面是关于一个Jurik指标的思考信息--J_TPO
 
下面是收边的情况
附加的文件:
xvewnde.zip  795 kb
 

Prival,谢谢你的书。这里还有一个惊喜给你,证实了你将价格作为目标的观点。

在不做任何简化假设(例如,数据由叠加的周期组成,每天的价格变化具有高斯分布,所有的价格都同样重要,等等)的情况下,征服滞后并不是一项简单的任务。最后,JMA不得不基于on the same technology the military uses to track moving objects in the air using nothing more than their noisy radar. JMA sees the price time series as a noisy image of a moving target (the underlying smooth price) and tries to estimate the location of the real target (smooth price). ,对专有数学进行了修改,以考虑到金融时间序列的特殊属性。

摘自同一地方,强调是后加的。

第二。JMA不重绘,所以没有FFT可言。尽管如此,他们已经消除了吉布斯 效应...

第三。Jurik研究团队假设了类似于Cauchy分布的分布模型。它是什么,你知道:这种分配的时刻都不存在,甚至连m.o.都不存在,感受到敌人为我们设置的埋伏吗?尽管从另一方面来说,他们的目标可能只是建立一个感应器,以有效地平滑具有考奇分布的增量的甚至随机的游走。

2 Rosh: 好吧,至少你解开了一个尤里克感应器的谜团。尊重。