市场现象 - 页 29

新评论
 
yosuf:
我尝试使用[url=https://www.mql5.com/ru/articles/250]-"市场价格预测的通用回归模型"[/url]中的（18）作为基础函数。它令人满意地描述了由各种函数在所有可能的组合中人为构建的依赖关系，包括和、积、对数、幂、指数等等。

我熟悉公式（18）。我想你忽略了，我对关于基础函数的先验知识不感兴趣。我不关心基础函数是否强大和普遍，以至于它可以描述世界上的任何过程。我想找到一种算法，从时间序列 本身自动确定基函数。请注意，这些不是通用的基础函数，而是给定时间序列的特定函数。考虑一下与演讲的类比。它也可以由各种通用基础函数来描述，包括（18）。但这一切都会导致语音解码不准确。用英语音素来解码中文语音，也会导致结果不佳。对于每个过程，必须有不同的 "音素"。
 
joo:
有一种万能药--遗传算法。至少，如果对这个过程一无所知（或几乎一无所知），而人们仍然需要调查并得到一个结果，那么首先就值得尝试GAs。

这很可能会奏效。
 
gpwr:

我熟悉公式（18）。我想你忽略了一点，我对关于基础函数的先验知识不感兴趣。我不关心基础函数是否强大和普遍，以至于它可以描述世界上的任何过程。我想找到一种算法，从时间序列本身自动确定基函数。请注意，这些不是通用的基础函数，而是给定时间序列的特定函数。考虑一下与演讲的类比。它也可以由各种通用基础函数来描述，包括（18）。但这一切都会导致语音解码不准确。用英语音素来解码中文语音，也会导致结果不佳。对于每个过程，必须有一个不同的 "音素"。
这是一个非常困难的任务，也许在这种情况下，可以分块描述时间序列。
 
gpwr:

我对这些结构的兴趣源于比预测市场价格更实际的应用。我现在对快速语音识别系统的发展更感兴趣。价格预测可归结为预测未来的音素（结构）。但我对这一点不感兴趣。我对识别过去和现在的音素（结构）感兴趣。为了实现这一点，人们应该有一本关于这些音素的字典，并将语音与这些已知的音素联系起来（当然是简化的）。

弗拉基米尔，IMHO，这项任务在目前阶段是不可行的。继续与语音识别的美丽平行，请注意，市场上的每一种工具都是它自己的语言，不同的方言会根据一天中的时间、季节、新闻等混入。想象一下，你有一套英语的音素，需要识别醉酒的爱尔兰长工的胡言乱语（或者不是爱尔兰人，不冒犯爱尔兰人；-））。语音识别技术还没有发展到这种程度。而市场也不容易。

在一个简化的形式下，市场语音的词汇只能从市场参与者那里获得 - 这些将是数字，fibo水平，等等，它被写在许多书中。没有人能够知道更清晰的描述，特别是在指定基础函数的类型。

 
gpwr:

我熟悉公式（18）。我想你忽略了，我对关于基础函数的先验知识不感兴趣。我不关心基础函数是否强大和普遍，以至于它可以描述世界上的任何过程。我想找到一种算法，从时间序列本身自动确定基函数。请注意，这些不是通用的基础函数，而是给定时间序列的特定函数。考虑一下与演讲的类比。它也可以由各种通用基础函数来描述，包括（18）。但这一切都会导致语音解码不准确。用英语的音素来解码中文语音，也会导致结果不佳。对于每个过程，必须有不同的 "音素"。

谷歌 "通过基数追求的原子分解"？

 
gpwr:


我同意。有许多不同的术语：音素、结构、模式、小波、基础函数。我更喜欢基础函数这个词。我对以下问题感兴趣：当知道一个时间序列时，如何能自动确定基函数？当然，人们可以从视觉上检查这个系列，发现三角形、旗帜和其他好看的形状。但是还没有人证明这些模式在统计学上是重要的，而不仅仅是想象力的产物。请记住，正如轶事中所说。

精神病医生向病人展示不同的图片，问："你在其中看到了什么？"病人回答："一个男人和一个女人在做爱。""你是某种淫荡的人，"医生说。而病人说。"嗯，你自己给我看了那些淫秽的照片。"

自动识别统计上重要的基础函数是一个复杂的过程，我认为没有人想出如何正确地做到这一点，即使是用神经网络。当然，我们可以简化任务，事先假定时间序列被划分为Haar小波，或像傅里叶数列中的三角函数，或其他常被用于回归的基础函数。而所有这些基础函数将成功地再现我们的系列，无论是价格系列还是语音系列。但是，想象一下，如果我们把语音分解成Haar小波--它们与音素毫无关系。将价格序列分解为Haar小波或三角函数也同样没有意义。提到压缩式传感是合适的，其本质是用最小的基函数集来描述信号。虽然这种方法有很多算法，但它们都假设我们知道基函数。如果你对从价格序列中寻找基础函数的算法有任何想法，请分享。

这种思维方式与我很接近（我的意思是，用语言进行类比）。而且在这个方向上已经做了很多，你可以阅读文章来寻找灵感。有必要将一个时间序列量化为数量有限的状态，这些状态是空间紧凑区域中的点。然后，通过与语音识别任务（ 为统计上稳定的音素序列及其组合训练神经网络）的类比，我们研究了状态的递归序列。对于问题的第一部分，自组织网络是合适的，对于第二部分--多层网络。我在这个主题中做了一个例子：https://forum.mql4.com/ru/40561/page5
 
anonymous:

谷歌 "通过基数追求的原子分解"？


谢谢。我搜索了一下--这种方法属于压缩感应。它假定基础函数是已知的。我的任务不仅是找到信号作为基函数线性组合的最宽松的表示，而且还要找到这个信号特有的基函数本身。
 
marketeer:

弗拉基米尔，IMHO，这在现阶段是一个不可能的任务。继续与语音识别的美丽平行，请注意，市场上的每一种工具都是它自己的语言，不同的方言会根据一天中的时间、季节、新闻等混入。想象一下，你有一套英语的音素，需要识别醉酒的爱尔兰长工的胡言乱语（或者不是爱尔兰人，不冒犯爱尔兰人；-））。语音识别技术还没有发展到这种程度。而市场也不容易。

你的推理都是非常正确的。的确，市场在不同的时间说着不同的方言，以不同的速度，不同的音量，不同的扭曲等等。所以在我看来，音素只能通过语音的非线性转换来找到。在市场价格中寻找规律 也是如此。到目前为止，我不认为如此。起初我对一个问题感兴趣：取一个事先知道由有限数量的未知基函数的线性组合组成的信号，是否有可能找到这些基函数和这个线性分解的系数？

 
alexeymosc:

这种思路与我很接近（我是说，与演讲的类比）。而且在这个方向上已经做了很多，你可以阅读文章来寻找灵感。有必要将一个时间序列量化为数量有限的状态，这些状态是空间紧凑区域中的点。然后，通过与语音识别任务（为统计上稳定的音素序列及其组合训练神经网络）的类比，我们研究了状态的递归序列。对于问题的第一部分，自组织网络是合适的，对于第二部分--多层网络。我在这个主题中做了一个例子：https://forum.mql4.com/ru/40561/page5。

谢谢你。我将在闲暇时思考SOM的问题。
 
eura:

我已经喜欢了......谢尔盖，无线电（电报等）背后的基本物理学原理是什么？

这个问题把我难住了！)

不是内容，而是其出现的事实。

所有的基本原则都可以很容易地从网上获取（有些甚至来自学校课程）。

比这更复杂一点。

在对市场的应用中，很多东西都可以使用，因为报价与信号非常相似。

因此，你可以尝试将无线电工程、音频工程等已知的处理方法应用于它们。

详情--而不是为这个主题。 供参考。

http://nice.artip.ru/?id=doc&a=doc68
1...222324252627282930313233343536...75
新评论