Форум трейдеров » Торговые стратегии » Адаптивные фильтры. Применение в торговле
+ Подписаться
Страница 21 из 55 ПерваяПервая ... 11192021222331 ... ПоследняяПоследняя
  1. 8,531
    Комментарии
    46
    Темы
    15162
    Репутация Pro
    Аватар для avtomat  
    Старожил

    7 Медалей
    А вот как выглядят результаты такой адаптации :

    На рисунках, на фоне обычных ЕМА, построена адаптивная ЕМА.
    Для сравнения представлены результаты при различных скользящих окнах вычисления дисперсии ошибки фильтрации Т= 55, 34, 21, 13.
    Наглядно видно, как изменяется параметр настройки фильтра а, и какие изменения это привносит в поведение фильтра, по сравнению с обычными ЕМА. Пределы изменения параметра а заданы от 0.1 до 0.4 при номинальном 0.2 --- т.е. такие же как и жёстко заданные у обычных ЕМА --- это, конечно же, не обязательно, и сделано так только для удобства сравнения.
    В этом варианте величина da приращения параметра a жёстко задана и равна 0.03 --- с изменяемым расчётным значением da картина ещё улучшится, но это я сделаю несколько позже.














  2. 8,531
    Комментарии
    46
    Темы
    15162
    Репутация Pro
    Аватар для avtomat  
    Старожил

    7 Медалей
    Цитата Сообщение от BQQ Посмотреть сообщение
    Автомату.
    Перечитал ещё раз ваши последние посты.
    Захотелось ответить разнородно - и предельно конкретный маленький вопрос, и некоторые общие аргументы, "разговоры ни о чем".
    ==============
    В этом посте - предельно конкретный маленький вопрос.

    Вы говорите о минимизации дисперсии ошибки фильтрации.
    Это - или опечатки или некоторая более или менее серьёзная новация (мера серьёзности заслуживает отдельного рассмотрения).

    Вас действительно интересует дисперсия (второй центральный момент) ошибки?
    Обычно здесь интересуются вторым моментом (средним квадратом) ошибки.
    Именно дисперсия, именно второй центральный момент.


    И это, в общем-то не такая уж новация ;) если вспомнить и принять во внимание различные результаты управления по скорости и управления по ускорению. А эдесь прямая аналогия в стохастичесом варианте.
  3. 8,531
    Комментарии
    46
    Темы
    15162
    Репутация Pro
    Аватар для avtomat  
    Старожил

    7 Медалей
    Цитата Сообщение от BQQ Посмотреть сообщение
    Второй пост - более тягучий.

    1. Контрпример не может быть пустым. Если он кажется пустым - это всего лишь признак, что при постановке задачи вами что-то было упущено.

    2. Обязательно должно быть конкурирующее требование. Нахождение параметра фильтра "в некоторых пределах" положения не спасает.

    Средний квадрат ошибки фильтрации зависит от единственного параметра экспоненциального фильтра монотонно. "Так Природа захотела" - и далее по тексту. Поэтому при единственном требовании уменьшить средний квадрат ошибки надо просто уменьшать степень сглаживания. И всё.
    С дисперсией несколько менее очевидно, но, думаю, дело обстоит также.

    Сравните это с моим постом №53 - про тот же экспоненциальный фильтр.
    Там были заданы два конкурирующих требования: гладкость выходного сигнала и похожесть его на входной. Каждое требование по отдельности приводит к вырождению (отсутствующее сглаживание или выходной сигнал в виде константы, что можно считать "бесконечным" сглаживанием).

    Вы требуете малости дисперсии ошибки - и ничего не кладете на другую чашу весов.
    Почему же вам тогда не нравится мой контрпример? Тождественно равная нулю ошибка...
    Ах, сглаживания нету? - Так вы и не требовали.
    ===================================
    И это - не "тонкости оптимизации", это - сама суть дела.
    Здесь, уж извините, но вы сильно ошибаетесь.
    Введение границ изменения параметра а сразу же переводит линейную систему, каковой является обычная ЕМА, в класс нелинейных систем. И поэтому система уже не обладает свойством монотонности.


    ps. и это хорошо видно из приведенных выше картинок.
  4. 8,531
    Комментарии
    46
    Темы
    15162
    Репутация Pro
    Аватар для avtomat  
    Старожил

    7 Медалей
    А вот хороший пример перестройки фильтра при изменении характера движения входного сигнала -- умеренное развитие, сильный тренд, флэт.



  5. 8,531
    Комментарии
    46
    Темы
    15162
    Репутация Pro
    Аватар для avtomat  
    Старожил

    7 Медалей
    Поправил методику рассчёта параметра а --- теперь совсем хорошо ;)



  6. 1,048
    Комментарии
    2
    Темы
    1975
    Репутация Pro
     
    Мастер форумных наук

    4 Медалей
    Цитата Сообщение от avtomat Посмотреть сообщение
    Здесь, уж извините, но вы сильно ошибаетесь.
    Введение границ изменения параметра а сразу же переводит линейную систему, каковой является обычная ЕМА, в класс нелинейных систем. И поэтому система уже не обладает свойством монотонности.


    ps. и это хорошо видно из приведенных выше картинок.
    Здесь, уж извините, но вы сильно ошибаетесь.:D

    Переводит обычную ЕМА в класс нелинейных систем не введение границ для изменения параметра, а тот факт, что параметру разрешается изменяться.
  7. 1,048
    Комментарии
    2
    Темы
    1975
    Репутация Pro
     
    Мастер форумных наук

    4 Медалей
    Цитата Сообщение от avtomat Посмотреть сообщение
    Именно дисперсия, именно второй центральный момент.


    И это, в общем-то не такая уж новация ;) если вспомнить и принять во внимание различные результаты управления по скорости и управления по ускорению. А эдесь прямая аналогия в стохастичесом варианте.
    Спасибо за своевременное уточнение.
    Попробую осмыслить этот критерий и, быть может, воспроизвести ваш результат (вы же, как обычно, ничего не пишете про конкретную реализацию).

    Первое, что сразу видно из критерия минимизации именно дисперсии - полная эквивалентность всех значений параметра ЕМА (из аккуратности добавлю: кроме граничных значений 0 и 1, соответствующих константе в роли выходного сигнала и пустому фильтру) при входном сигнале типа "рампа" (x(t)=0 при t<0, x(t)=t при t>0).

    На рампе после окончания переходных процессов, вызванных изломом входного сигнала в точке t=0, ЕМА при любом параметре будет выдавать линейно растущий сигнал с постоянной (зависящей от параметра ЕМА) ошибкой.
    То есть дисперсия ошибки будет нулевая, все ЕМА на рампе (т.е. на направленном безоткатном движении, в идеальном тренде) - эквивалентны с точки зрения вашего критерия.

    Несколько неожиданно, но не нелепо.
    ====================
    И всё-таки - правильно ли я понимаю ваш критерий адаптации?

    Вот как я вас понял.
    1. задаем интервал наблюдений - интервал, на который в прошлое будем смотреть для пересчета единственного параметра ЕМА.
    2. На каждом шаге с появлением нового входного отсчета смотрим в прошлое и выбираем такой параметр фильтра, который минимизирует дисперсию ошибки слежения, если бы это значение параметра было применено на всем интервале наблюдения.
  8. 8,531
    Комментарии
    46
    Темы
    15162
    Репутация Pro
    Аватар для avtomat  
    Старожил

    7 Медалей
    Цитата Сообщение от BQQ Посмотреть сообщение
    Здесь, уж извините, но вы сильно ошибаетесь.:D

    Переводит обычную ЕМА в класс нелинейных систем не введение границ для изменения параметра, а тот факт, что параметру разрешается изменяться.
    э, неет... ошибаетесь :D
    Тот факт, что параметру разрешается изменяться без введения ограничений, переводит систему класс нестационарных, но всё же линейных.
    А вот введение ограичений [упор, люфт] переводит систему в класс нелинейных.
  9. 8,531
    Комментарии
    46
    Темы
    15162
    Репутация Pro
    Аватар для avtomat  
    Старожил

    7 Медалей
    Цитата Сообщение от BQQ Посмотреть сообщение
    (вы же, как обычно, ничего не пишете про конкретную реализацию).
    Следую инструкции, так сказать ;)


    Цитата Сообщение от BQQ Посмотреть сообщение
    Кстати, если кто-либо из читателей может внятно описать какой-либо широко известный адаптивный фильтр - прошу включиться и сделать это.
    Только описывать надо не исходник, а содержательный уровень.
  10. 8,531
    Комментарии
    46
    Темы
    15162
    Репутация Pro
    Аватар для avtomat  
    Старожил

    7 Медалей
    Цитата Сообщение от BQQ Посмотреть сообщение
    И всё-таки - правильно ли я понимаю ваш критерий адаптации?

    Вот как я вас понял.
    1. задаем интервал наблюдений - интервал, на который в прошлое будем смотреть для пересчета единственного параметра ЕМА.
    2. На каждом шаге с появлением нового входного отсчета смотрим в прошлое и выбираем такой параметр фильтра, который минимизирует дисперсию ошибки слежения, если бы это значение параметра было применено на всем интервале наблюдения.
    1. Используется обычная методика расчёта в скользящем окне.
    2. Текущее значение дисперсии сравниваем с предыдущим её значением, т.е. определяем градиент дисперсии. Если градиент дисперсии падает, то это означает, что входной процесс стабилизируется. И наоборот.

Вверх
РегистрацияX

чтобы писать, читать, комментировать