霍德里克-普雷斯科特过滤器 - 页 4 1234567891011 新评论 Леонид 2009.01.01 23:34 #31 Neutron писал(а)>> +5 没有意义。 好了，对于一无所有的......在我看来，muwings的差异是一个伟大的指标，真正显示了价格的位置。而且它对原始信号的失真也最小.....。)))))) Neutron 2009.01.02 06:30 #32 muving 差无非是更快的muving的一阶导数，它显示的是HIS极值，而不是商数。这提出了几个合理的问题。 首先，如果有一个经典的导数，为什么要穿上裤子过山，用这种方式来确定导数呢？ 其次，在分析像价格这样的时间序列（TD）时使用第一导数，意味着这种方法在这种情况下的有效性，而且没有！在这种情况下，我们可以使用第一导数。事实上，BP并不平滑（自相关系数在所有TF上都是负的），该方法在这里根本无法也不可能发挥作用。在我们的案例中，使用平滑法的后果将是不可避免的相位滞后，这将否定所有及时检测Kotyr上极值的尝试。 第三，我仍然不明白，如果通过它进行的交易仍然与在非绘图的绘图上工作相同，那么使用一个稍微重新绘图的绘图的意义。为什么有这些 "花招"？这是对自己的某种调侃吗？ Aleksandr Pak 2009.01.02 09:03 #33 价格序列的自相关系数在（加）0.6-0.9之间。 正是这一特点使你可以将交易称为一种职业。 使用Muwings、经验图形分析、神经网络。 甚至令人惊讶的是，还有统计学半经验方法。 Constantin 2009.01.02 09:28 #34 Korey >> : 价格序列的自相关系数在（加）0.6-0.9之间。 正是这一特点使你可以将交易称为一种职业。 使用Muwings、经验图形分析、神经网络。 甚至令人惊讶的是，还有统计学半经验方法。 同意! Neutron 2009.01.02 11:09 #35 Korey писал(а)>> 价格序列的自相关系数在（加）0.6-0.9之间。 如果你往下看交易的问题，我们最终感兴趣的是价格增量，而不是它的绝对值；正是在价格变化上赚钱。 因此，在这种情况下，我们谈论的是商数的第一个价格差的系列，而不是原始价格系列。对于第一个差值系列（例如，Open[i]-Open[i+1]），相邻样本之间的相关系数很小（<<1），而且总是负的。为了将微分计算应用于任意的BP（例如，泰勒序列展开并在其基础上建立预测模型--这就是我们都试图从移动平均线中得到的东西），其第一次差分的序列必须是正自相关的（它提供了初始序列的平滑性），不幸的是价格序列并不满足这个条件。我的意思正是这个事实，当我说在我们的情况下，穆瓦因是没有希望的--他们显示了历史。顺便说一下，20年前，价格序列虽然很弱，但却是正相关的（它们的第一差），它允许使用经典TA的简单模型来赚钱。现在情况不同了，需要用非琐碎的方法来解决有效交易的问题。 康斯坦丁 写道(a)>>同意！ 荒唐。 [删除] 2009.01.02 11:36 #36 Neutron >> : 现在的情况不同了，需要用非简单的方法来解决有效交易的问题。 你说的有效交易任务的 "非微不足道 "的方法是什么意思？ Neutron 2009.01.02 12:09 #37 好问题。 例如，有一个替代泰勒级数扩展的方法，对第一差分序列中具有负自相关的 BP有效。它可以作为解决多输入的单层神经网络问题的结果而明确地得到。例如，这里是这样一个分解的第一项，作为双输入NS的解决方案获得。 其中d[i+1]是对价格系列的i+1个增量的预测。 当然，这不是万能的，但至少是一些非同小可的东西。在我看来是这样的。 Леонид 2009.01.02 12:29 #38 Neutron писал(а)>> 他们展示了历史 。 未来会出现什么？ Sergey Fionin 2009.01.02 12:49 #39 Neutron писал(а)>> 好问题。 例如，有一个替代泰勒级数扩展的方法，对第一差分序列中具有负自相关的BP有效。它可以作为解决多输入的单层神经网络问题的结果而明确地得到。例如，这里是这样一个分解的第一项，作为双输入NS的解决方案获得。 其中d[i+1]是对价格系列的i+1个增量的预测。 当然，这不是万能的，但至少是一些非同小可的东西。在我看来是这样的。 从实际情况来看，最好根本不谈单层神经网络。它只是一个具有恒定权重的线性滤波器，仅此而已。奇怪的是，"琐碎的方法 "在非琐碎的思维下是很可行的。看看那些冠军得主，美在简单，每个人都知道这些策略，但不是每个人都知道如何使用它们。你可以用数以百万计的公式来描述价格走势，但却没有主要的东西，即利润。 Neutron 2009.01.02 12:59 #40 任何事情都有可能（任何事情都有可能），问题是我们并不了解所有的事情。 琐碎的方法加上非琐碎的方法，还是琐碎的方法加上非琐碎的思维，哪个更好？我不知道......使用哪种更好的标准是一个单独的话题。你可以用你的一生在黑暗中徘徊，寻找一些特别的东西，或者你可以用一些早已为人所知的东西......。这是一个品味的问题。 我坚持的观点是，有解决问题的最佳方法，而且这些方法在科学范式内肯定是可以实现的，没有 "在我看来 "或 "大家都这么做 "这样的偏差。 1234567891011 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
+5
没有意义。
好了，对于一无所有的......在我看来，muwings的差异是一个伟大的指标，真正显示了价格的位置。而且它对原始信号的失真也最小.....。))))))
muving 差无非是更快的muving的一阶导数，它显示的是HIS极值，而不是商数。这提出了几个合理的问题。
首先，如果有一个经典的导数，为什么要穿上裤子过山，用这种方式来确定导数呢？
其次，在分析像价格这样的时间序列（TD）时使用第一导数，意味着这种方法在这种情况下的有效性，而且没有！在这种情况下，我们可以使用第一导数。事实上，BP并不平滑（自相关系数在所有TF上都是负的），该方法在这里根本无法也不可能发挥作用。在我们的案例中，使用平滑法的后果将是不可避免的相位滞后，这将否定所有及时检测Kotyr上极值的尝试。
第三，我仍然不明白，如果通过它进行的交易仍然与在非绘图的绘图上工作相同，那么使用一个稍微重新绘图的绘图的意义。为什么有这些 "花招"？这是对自己的某种调侃吗？
正是这一特点使你可以将交易称为一种职业。
使用Muwings、经验图形分析、神经网络。
甚至令人惊讶的是，还有统计学半经验方法。
价格序列的自相关系数在（加）0.6-0.9之间。
正是这一特点使你可以将交易称为一种职业。
使用Muwings、经验图形分析、神经网络。
甚至令人惊讶的是，还有统计学半经验方法。
同意!
价格序列的自相关系数在（加）0.6-0.9之间。
如果你往下看交易的问题，我们最终感兴趣的是价格增量，而不是它的绝对值；正是在价格变化上赚钱。
因此，在这种情况下，我们谈论的是商数的第一个价格差的系列，而不是原始价格系列。对于第一个差值系列（例如，Open[i]-Open[i+1]），相邻样本之间的相关系数很小（<<1），而且总是负的。为了将微分计算应用于任意的BP（例如，泰勒序列展开并在其基础上建立预测模型--这就是我们都试图从移动平均线中得到的东西），其第一次差分的序列必须是正自相关的（它提供了初始序列的平滑性），不幸的是价格序列并不满足这个条件。我的意思正是这个事实，当我说在我们的情况下，穆瓦因是没有希望的--他们显示了历史。顺便说一下，20年前，价格序列虽然很弱，但却是正相关的（它们的第一差），它允许使用经典TA的简单模型来赚钱。现在情况不同了，需要用非琐碎的方法来解决有效交易的问题。
同意！
。
现在的情况不同了，需要用非简单的方法来解决有效交易的问题。
你说的有效交易任务的 "非微不足道 "的方法是什么意思？
好问题。
例如，有一个替代泰勒级数扩展的方法，对第一差分序列中具有负自相关的 BP有效。它可以作为解决多输入的单层神经网络问题的结果而明确地得到。例如，这里是这样一个分解的第一项，作为双输入NS的解决方案获得。
当然，这不是万能的，但至少是一些非同小可的东西。在我看来是这样的。
未来会出现什么？
好问题。
例如，有一个替代泰勒级数扩展的方法，对第一差分序列中具有负自相关的BP有效。它可以作为解决多输入的单层神经网络问题的结果而明确地得到。例如，这里是这样一个分解的第一项，作为双输入NS的解决方案获得。
其中d[i+1]是对价格系列的i+1个增量的预测。
当然，这不是万能的，但至少是一些非同小可的东西。在我看来是这样的。
从实际情况来看，最好根本不谈单层神经网络。它只是一个具有恒定权重的线性滤波器，仅此而已。奇怪的是，"琐碎的方法 "在非琐碎的思维下是很可行的。看看那些冠军得主，美在简单，每个人都知道这些策略，但不是每个人都知道如何使用它们。你可以用数以百万计的公式来描述价格走势，但却没有主要的东西，即利润。
任何事情都有可能（任何事情都有可能），问题是我们并不了解所有的事情。
琐碎的方法加上非琐碎的方法，还是琐碎的方法加上非琐碎的思维，哪个更好？我不知道......使用哪种更好的标准是一个单独的话题。你可以用你的一生在黑暗中徘徊，寻找一些特别的东西，或者你可以用一些早已为人所知的东西......。这是一个品味的问题。
我坚持的观点是，有解决问题的最佳方法，而且这些方法在科学范式内肯定是可以实现的，没有 "在我看来 "或 "大家都这么做 "这样的偏差。