自适应数字滤波器 - 页 23

 
bliznec1986 писал(а)>>
如果我们限制谐波以适应价格图表,那么具有大周期的大谐波可以分解为小谐波(也受变化的限制),这些小谐波是大谐波的一部分,在它们的基础上预测同一大谐波的运动,分别在这些限制允许的范围内。


每个谐波都有其寿命(它是一种趋势)。小波给出了频率-时间坐标中的谐波。你可以看到这些肿块如何出现、生长和死亡。也许这就是你的想法实现的地方?
 
如果你取一个具有一定频率的普通正弦波,并取一个频率低2倍或更多的相同正弦波,第一个正弦波可以继续恢复,并以此类推,有一个频率低2倍的正弦波。
 
faa1947 >>:


Уточняю: гармоники есть всегда, только живут они обычно недолго и вообще время их жизни неопределенно. Нашел гармонику, а она взяла и померла или не померла. Мы какую обсуждаем, ту что померла или ту что не померла?

我完全同意你的观点。报价过程的谐波分解并不携带任何信息。重点不是什么死了/活了,重点是这些谐波是完全随机的,没有任何用处。考虑功率谱才有意义,它承载着信息。

我正在写关于DSP的文章。广播、电视、地点等。总是有一个信号源,而且我们对这个信号有一定的先验知识。

一般来说,信号就是信息,不管来源是人工的还是自然的,都无所谓。你会发现大量的信号(确切的说是信号),关于这些信号的来源没有什么是众所周知的(辐射物理学、天体物理学、地质学、核物理学、生物学.................)。在DSP中甚至有一个正式的章节--"信号检测",顺便说一下,这些研究的结果被严肃地用于检测空间中的 "有意义的信号":o)有一个关于 "随机信号 "的章节

有很多....

如果价格是一个信号,那么它是什么呢?

它说的是诸如欧元兑美元等。:о)因此,一个关于插座中电压状态的信号不会让你感到困惑,但作为一个报价的信号就很奇怪了?

价格序列,BP,应该给我们一个市场地位的信号。 没有分离噪音就没有市场地位,没有算法,没有数学。经典的方法是识别BPs(获得一些参数),在通过算法识别BPs后,获得一个位置。

我不太明白 "市场地位 "是什么意思。如果你指的是 "现在"/"昨天 "报价过程的位置,那么所有的信息都在那里。如果你指的是交易决策,那么是的,你需要确定这个过程,而这并不那么容易。

我见过一篇文章,其中证明了不可能确定这样的趋势。

这不完全是这样。我现在不争论,但稍后会回来,但会有争论:o)

 
也许有一些振荡器可以从价格中建立一个正弦波(至少可以手动改变参数(频率振幅(尽管振幅并不那么重要)和周期)。
 
据我所知,这里有一个人已经在赫兹尔算法的基础上建立了一个自适应滤波器,如果我没记错的话,另一个人是在kikes的基础上建立的,还有谁设法做了一个自适应滤波器,也许是基于卡尔曼或其他?????。
 
bliznec1986 >>:
тут один человек вроде как я понял уже построил адаптивный фильтр на основе алгоритма Герцеля еще человек на основе ких если я не ошибаюсь а у каго еще получалось сделать адаптивный фильтр может на основе калмана или еще какие?????

我做过一次基于最优维纳滤波器的工作。每个 "现在 "的参考信号来自对历史上 "相关 "过程的统计分析。事实证明,确定 "亲和力 "是一项非难事。

 
你可以看一下
 
Farnsworth писал(а)>>


在市场中的地位--进入、退出、离开市场。如果我们谈论的是一个信号,例如一个身体,它是一个图像,可以有噪音。如果我们谈论的是地球物理学中的信号,那么在BP之前就已经做了一个信号(矿藏)的模型,然后人们试图找到它。在我看来,市场上的信号是一种立场。

 
Farnsworth писал(а)>>

我完全同意你的观点。报价过程的谐波分解并没有提供任何信息。重点不是什么死了/活了,重点是这些谐波是完全随机的,没有任何用处。考虑功率谱才有意义,它承载着信息。

我之前写的一切都指的是伯格的 "功率密度谱"。

 
Farnsworth >>:

Я сделал когда то на основе оптимального фильтра Винера. Эталонный сигнал для каждого "сейчас" получал на основе статистического анализа "родственных" процессов в истории. Определить "сродство" - задача оказалась нетривиальная.

你是否也尝试过用网络来识别 "亲和力"?某种意义上的分类任务。