이베이 외환 거래 시스템.
Daytradingforexlive pdf 신용 suisse forex 상인 Graphique forex direct 기술 분석 사용 Forex Forex 무역 코치 평화 군 Forexchile cl 무료 Forex 스펙트럼 시스템 다운로드 - Forex 스펙트럼은 높은 수익률로 통화 시장을 거래하도록 설계된 거래 방법론입니다. 최고의 Forex EA, 리뷰 및 검증 된 결과를보고 Metatrader 4 (MT4)에 대한 최상의 FX Expert Advisors를 선택하십시오. 이것들은. 이 논문에서는 Bayes 'Theorem을 기반으로 한 단수 스펙트럼 분석 (SSA) 및 중요한 기계 학습 방법과 예측 기능을 결합하여 시간 효율적인 거래를위한 권장 시스템을 구축하는 사상과 방법을 고려합니다. 이것은 추세를 따르는 스캘핑 시스템입니다. 이것은 HP-M15 표시기의 회귀를 기반으로합니다. 이것은 분 또는 분 시간대에 작동 할 수 있습니다. 이 시스템에 적용 할 수있는 통화 쌍은 EU, UCHF, GU, AU, GJ 및 AJ입니다.
따라서 쉽게이 합리적인 방향으로 긍정적 인 방향으로, 우리는 힘을 실망시키지 않고 forex 자동 조종기 소프트웨어를 검토하지 않고 당신의 사이트를 협동 조합의 측면에서 검토 할 것입니다. 아마도 당신의 분노와 함께 잠재적으로 정복당한 일이 없을 것입니다. . 서지를 연구하는 지금. 거래를 위해 진행되는 결과 중 하나는 유용한 이중 금융 고객까지 얻을 수있는 당신의 목표를 가진 것입니다.
컨테이너 플러스 마무리 세련된 우리의 거래 플랫폼과 같은 인기가 당신 위에 셀프. 24 옵션.
무료 forex backtesting 차트.
첫 번째 실제 거래를하기 전에 이해해야하는 10 가지 옵션 개념이 있습니다.
외환 스펙트럼 분석
시장에서 비선형 웨이브 패턴.
단일 스펙트럼 분석.
Forex에서 가격 움직임의.
Sergiy Drogobetskii 가격 변동에 대한 새로운 정보를 찾고 계십니까? 단수 스펙트럼 분석은 약간의 빛을 발산합니다.
소음을 줄이고 가격 이동 역 동성을 예측하는 분석적 방법을 도입하는 것은 거래자들 사이에서 토론의 인기있는 주제가되어왔다. 사실, 물리학 및 수학 분야의 여러 가지 방법이 이미 이러한 이유로 적용되었습니다. 그러나 필요한 정보를 어떻게 추출하고 예측 모델의 기초로 사용할 수 있습니까?
단일 분광 분석.
시계열을 분석하는 데는 여러 가지 방법이 있지만 제한이있는 경향이 있습니다. 이 기사에서 다룰 방법은 다른 시계열 분석 기술보다 몇 가지 장점이 있습니다. 시끄러운 시계열에서 관련 정보를 추출하는 방법과 예측 모델의 기초로 사용할 항목을 알려줄 수 있습니다.
SSA (singular spectrum analysis)는 생물 정보학, 기상학, 천문학 및 패턴 인식과 같은 과학 연구 분야에 적용된 새로운 분석 방법입니다. SSA는 정보 압축, 초기 데이터의 평활화 및 경우에 따라 시계열 데이터 가격 예측에 유용합니다. 이 기사에서는 SSA를 외환 시장 가격에 적용 할 것입니다.
다른 금융 시장과 마찬가지로 외환 시장은 복잡하고 역동적 인 시스템입니다. 경제 시스템에 대한 저의 분석을 토대로, 시간이 지남에 따라 시스템의 행동을 관찰하는 수동적 인 실험을 적용하는 것이 가장 좋을 것이라고 생각했습니다. 그 결과 관찰 가능한 크기의 값을 시계열로 나타냅니다. SSA는 시계열을 생성하는 프로세스의 역 동성에 대한 통찰력을 제공하도록 설계되었습니다. 이는 가격의 시계열로 구성된 궤도 행렬의 특이 값 분해 (singular value decomposition, SVD)를 기반으로합니다.
SSA의 원칙을 이해하기 전에 몇 가지 정의가 필요합니다. 나는 고정 된 시점에 모든 가격을 시스템 상태로 언급 할 것이다. 그러한 상태의 집합은 시간이 등거리이며 특정 시간에 상태 변화의 1 차원 프로파일을 형성합니다.
차트에서 가격 변동의 과정을 알고 있을지 모르지만 그 프로세스의 특성을 알지 못할 수 있습니다. 나는이 미지의 과정을 개별 구성 요소들의 합으로 표현할 것이고, 나는 이것을 행동의 기본 패턴 (EPB)으로 언급 할 것이다. 각 EPB는 초기 시계열 가격의 추세 및 진동 또는 시끄러운 구성 요소에 대한 정보를 제공합니다. 단일 스펙트럼 분석은 초기 시계열에서이 정보를 추출하기 위해 개발되었습니다.
. STOCKS & TECHNOLOGIES의 10 월호에서 계속됩니다. 상품.
2005 년 10 월호에 실린 STOCKS & TECHNICAL Analysis의 기사에서 발췌. COMMODITIES 잡지. 판권 소유. &부; 저작권 2005, 기술 분석, Inc.
외환 스펙트럼 분석
분석 할 데이터 벡터 (여기서는 'soi', SOI 시계열) 및 샘플링 간격의 값을 선택하면 주요 SSA 옵션으로 Window Length, Significance 유형 및 Covariance Estimator를 지정할 수 있습니다. Default 버튼은 데이터 시계열의 길이에 따라 입력 매개 변수를 선택하는 지침으로 제공됩니다.
SSA 구성 요소의 수는 향후 분석을 위해 캡처 된 분산 측면에서 얼마나 많은 주요 구성 요소가 유지 될지 지정합니다. 계산 후에는 고급 옵션을 사용하여 이러한 유지 된 구성 요소에 대한 추가 정보를 얻을 수 있습니다. SSA의 결과는 스펙트럼 필드에 지정된 이름으로 매트릭스에 저장됩니다. 또한, T-EOFs 및 T-PCs (아래 참조)는 접두어 & quot; eof_ & quot; 및 " pc _ & quot; Spectrum 이름에 저장하고 데이터 I / O 도구에서 액세스 할 수 있습니다. 여러 SSA 실행 결과를 다른 행렬에 저장 한 경우 특정 SSA 실행에 사용 된 매개 변수가 스펙트럼 팝업 목록에서 대응 행렬을 선택하기 만하면 GUI로 복원됩니다.
창 길이.
창 길이를 60으로 설정합니다. 이는 시계열 (1 개월 샘플링 속도의 690 데이터 포인트) 및 조사중인 진동 기간 (2 및 4 년)에 적합합니다.
공분산 추정.
주의 : Burg 공분산 행렬 추정 옵션은 Burg가 주 SSA 패널에서 선택된 경우 Vautard-Ghil로 기본 설정된 Monte-Carlo 유의성 테스트에서 지원되지 않습니다.
SOI 시계열을 분석하기 위해 Burg 공분산 법을 사용했습니다.
중요성 테스트.
지능적 인 Chi-Squared Monte Carlo.
여기서 τ는 시계열에 대한 일반적인 상관 관계 해제 시간이고, k는 사용자가 제공 한 상관 관계 가중치이며 1과 2 사이의 값입니다 (기본값은 1.5). & λ i는 스펙트럼에서 i 번째 고유 값입니다. Toolkit은 시계열의 지연 1 자기 상관의 대수의 역함을 & tau로 추정합니다.
창 길이가 60으로 설정되었으므로 SSA는 시계열을 60 개의 구성 요소로 분해하므로 60 개의 고유 값이 그려집니다. 다양한 구성 요소의 중요성은 어떤 구성 요소가 잡음 배경에 비해 훨씬 더 많은 변동을 제공 하는지를 지적함으로써 질적으로 판단 할 수 있습니다. 후자는 고유 값 스펙트럼의 평평한 꼬리, 즉 약 10 내지 60의 구성 요소를 포함하는 것으로 가정한다. 앞의 그림에서 주요한 10 개의 구성 요소는 고유 값 스펙트럼의 뚜렷한 틈보다 위에 위치하며, 따라서 육체적 의미의.
특히 우리는 두 쌍의 거의 동일한 고유치를 형성하는 네 가지 구성 요소에 관심이 있습니다. SSA 이론 섹션에서 논의 되었 듯이, SSA에서 거의 동일한 쌍의 고유치는이를 진동으로 특성화 한 것입니다. 그러나 고유 값은 수치 및 표본 추출 오류가 발생할 수 있으며 고유 값의 단순한 쌍으로는 발진이 확인되었음을 보장하기에 충분하지 않습니다. 위의 고유 값 플롯에서 오류 막대는 추정 오류의 임시 범위를 나타냅니다. 유의하게 중첩되는 에러 막대를 갖는 임의의 고유치는 "진동 쌍"을 나타낼 수있다. 또한 스펙트럼의 잡음 부분의 오차 막대와 상당히 겹치는 오차 막대가있는 고유 값도 해당 잡음의 일부로 의심되어야합니다.
페어링 기준.
툴킷은 애드혹 에러 막대가 겹치는 고유 값의 클러스터에서 진동 쌍 및 트렌드 구성 요소를 식별하기위한 3 가지 페어링 기준을 제공합니다. 그러나 '휴리스틱 스'테스트가 기본 SSA 패널에서 선택 될 필요는 없습니다. 이 테스트의 결과는 로그 탭에서 액세스 할 수 있습니다. 이러한 테스트는 고급 패널의 확인란을 사용하여 동시에 활성화 할 수 있습니다.
'동일 주파수'- 잠재적 인 쌍 또는 클러스터와 관련된 T-EOF는 단순한 푸리에 변환을 통해 지배적 인 주파수를 식별합니다. 쌍 (또는 클러스터)은 연관된 T-EOF가 SSA 대역폭 (1 / M)의 일부분 내에서 동일한 지배적 인 주파수를 가질 때 식별됩니다.
`강한 FFT '- 동일한 푸리에 변환은 잠재적 인 진동 쌍이 주어진 주파수에서 얼마나 많은 신호를 측정하는지 결정하는 데 사용됩니다. 이 분산 분율은 쌍 (또는 클러스터)을 식별하기 위해 95 %를 초과해야합니다.
`동향 테스트 '- 추세 및 저주파 SSA 구성 요소를 식별하는 데 도움이되는 두 가지 테스트 : T-PC (및 RC가있는 경우)에 대한 Kendall의 tau 비모수 적 경향 테스트 T-EOF 내의 제로 크로싱 수를 계산합니다.
SOI 예에서 로그는 SSA 구성 요소의 1-2 쌍이 진동과 관련하여 '동일한 주파수'와 '강력한 FFT'테스트를 통과하는 반면 5 번째 구성 요소는 추세로 표시된다는 것을 보여줍니다 (SSA 추세에 대한 자세한 내용은 여기 참조) :
몬테 카를로 SSA.
고급 옵션에서 기본 팝업 메뉴를 사용하여 두 개의 고정 된 T-EOF베이스가 사용됩니다. 데이터 : 데이터는 많은 AR (1) 잡음 실현과 함께 데이터 공분산 행렬의 EOF에 투영됩니다.
'신뢰': 백분위 수, 예 : 95는 적색 잡음 귀무 가설과 관련하여 95 % 신뢰 수준을 의미합니다.
아니. Surrogates : '몬테 카를로 노이즈 구현의 수.
카이 제곱.
고급 옵션.
표의 행을 선택하여 사용자는 해당 T-EOF 또는 T-PC를 플롯하고 검사하고 재구성을 수행 할 수 있습니다. 또한 SSA 예측 및 갭 필링을 수행 할 수 있습니다.
SSA 구성 요소 테이블에서 처음 두 행을 선택하고 플롯 EOF를 클릭하면 두 개의 선행 EOF가 실제로 위상 직교 (즉, 다른 하나를 선도하는 위상 직교) 상태인지 확인할 수 있습니다.
T / 4 리드. 여기서 T는 공통주기입니다.
순수한 적색 잡음 귀무 가설에 대해 테스트하기 위해 중요도 테스트로 Chi-Squared를 선택합니다 (Included EOFs 필드는 비워 둡니다). Compute and Plot 버튼을 클릭하고 Graph Controls 창에서 X 축 한계를 조정 한 후 다음 플롯을 얻습니다.
여기에서 분산은 x 축에서 '데이터'EOF의 지배적 인 빈도에 대해 플롯되고 데이터 EOFs 기준에 데이터 및 null 가설 (NH) 대체물의 투영을 설명합니다. 이는 본질적으로 SSA 고유 값이며 점으로 표시됩니다. 그래프 컨트롤을 사용하여 스펙트럼의 저주파 부분을 확대했습니다. EOF의 주된 주파수는 0에서 0.5 / dt까지의 나이키 스트 간격에서 0.001 / dt 분해능으로 계산됩니다. 오차 막대는 'NH'잡음의 세그먼트를 분석 할 때 '기준'에서 특정 EOF에 의해 정의 된 상태 공간 방향에서 발견 할 것으로 예상되는 분산의 95 %를 나타냅니다 (고급 옵션과 같은 신뢰 수준 설정 포함). . 'Included EOFS'옵션을 사용하면 위에서 설명한대로 'NH'복합 요소를 만들 수 있지만 여기에는 순수한 빨강 노이즈가 있습니다.
Data Eofs 기초에 대해 우리는 EOFS 1-2와 3-4에 해당하는 고유치가 거의 동일한 주파수에서 서로 중첩되어 나타나는 것을 관찰합니다.
0.02 및 0.034주기 / 월, 그리고 null-hypothesis 오차 막대 바깥에 놓여있다. 따라서 이들은 (고급 옵션의 신뢰 수준에서 설정된 95 % 수준에서) 선택된 null 가설 프로세스에 의한 것일 확률이 비교적 낮으며 두 가지 중요한 변동을 나타냅니다. Chi-squared 테스트의 결과는 몬테카를로 방식을 사용하여 항상 확인되어야하며, 이는 복잡한 노이즈 모델에도 필수적입니다.
고급 옵션의 기본 팝업 메뉴에서 AR (1)을 선택하여 'Null-hypothesis'의 예상 공분산 행렬로부터 계산할 '기초'EOF를 선택할 수도 있습니다. 데이터의 투영은 SSA 고유치를 여기에 제공하지 않지만 그래프의 해석은 동일합니다. 순수한 잡음 NH의 EOF가 거의 규칙적으로 간격을 두는 방법에 유의하십시오. NH 기반은 SSA에서 상속 된 인위적인 분산 - 압축을 피할 수 있으며, 따라서 가양 성 결과의 가능성이 낮다. 즉 잡음 성분을 중요하다고 식별한다. 계산을 다시 한 후 결과 스펙트럼을 아래에 나타냅니다.
NH 기저는 또한 확인 된 중요한 쌍의 중요성을 확인하고, 우리는 이들이 엘니뇨의 QB와 QQ 성분에 해당한다고 결론을 내린다.
재건 및 예측.
(참고 : 데모 버전에서 SSA Reconstruction / Prediction은 예제 프로젝트의 데이터에만 사용할 수 있습니다! 사용자 정의 데이터의 경우이 기능은 구입 후 일련 번호로 활성화 한 후에 활성화됩니다)
고급 패널의 SSA 구성 요소 테이블을 사용하면 선택된 SSA 구성 요소의 원본 시계열을 재구성하고 예측할 수 있으며 플롯 EOF 및 플롯 PC 단추를 사용하여 연관된 T-EOF 및 T-PC를 플로팅 할 수 있습니다. 재구성 / 예측이 포함 된 벡터의 이름은 결과 필드에 사용자가 지정합니다. 개별적인 RC 구성 요소는 & quot; 매트 _ & quot; 결과 이름에 저장되며 데이터 I / O 도구에서 액세스 할 수 있습니다. 결과 필드는 SSA 갭 필 기능과 공유됩니다.
여러 재구성 결과를 다른 벡터에 저장 한 경우 결과 팝업 목록에서 해당 벡터를 선택하면 GUI에서 특정 재구성 매개 변수가 복원됩니다. 예측 사용자는 리드 필드에서 리드 타임을 지정해야하며, 선택된 SSA 구성 요소의 시간을 앞당기려면 AR 모델의 순서를 지정해야합니다. 예측을위한 최적의 매개 변수를 찾는 교차 검증이 가능합니다. 자세한 내용은 SSA 예측을 참조하십시오. & quot; 필터 아웃 " 상자는 원래 데이터에서 선택한 구성 요소를 필터링합니다 (예측 기능이 비활성화 된 경우). 이것은 detrending에 매우 유용 할 수 있습니다.
참고 : SSA 교차 유효성 검증을 Lead = 0으로 적용하면 특정 간격의 시계열에서 고정 창 크기로 재구성 기능을 테스트 할 수 있습니다. SSA는 단축 된 시계열에 여러 번 적용되어 "실시간" 환경. 이 기능을 Forex USD / EUR 시계열에 적용하는 예에서 Finance 폴더를 참조하십시오.
확인 된 '중요'구성 요소의 1-4 표 행을 선택하고 재구성 / 예측 상자에서 계산을 클릭 한 다음 플롯을 클릭하면 그래프 제어 창에서 매개 변수를 조정 한 후 다음 그림이 표시됩니다.
데이터 I / O 패널의 벡터 테이블의 정보 버튼을 사용하여 캡처 한 총 차이와 결과 벡터에 사용 된 개별 RC를 볼 수 있습니다.
재발행 없음 SSA 바 표시기 검토.
SSA Bar는 차원 M의 벡터 공간에서 시계열 X (t) : t = 1, N을 임베딩하는 방식을 기반으로 작동하는 뛰어난 표시기입니다. 지연 - 공분산 행렬을 대각선으로 앞서는 비모수 스펙트럼 예측 방법을 사용합니다 약한 의미에서 움직이지 않는 것으로 이해되는 시계열에 대한 스펙트럼 정보를 얻기위한 X (t) 기본적으로이 표시기는이 기술 도구를 기술적 분석 도구로 사용하는 방법에 대한 제안입니다.
SSA가 무엇인지 깊이 알 필요는 없으며 단순히 SSA의 기능을 이해해야합니다. 이 지표는 시계열을 분해 한 다음 재구성합니다. 이것은 일련의 모든 가변성을 취하여 고유 벡터 (eigenvector)라고하는 소수의 진동 패턴으로 분해하는 훌륭한 방법입니다. 그것도 이러한 패턴이나 고유 값의 의미를 제공합니다. 고유 벡터는 가격의 성능 모드를 가장 잘 나타내는 구조 함수입니다.
블로그에 오신 것을 환영하며 SSA Bar Indicator에 귀중한 의견을 남겨 주시기 바랍니다.
분석 할 데이터 벡터 (여기서는 'soi', SOI 시계열) 및 샘플링 간격의 값을 선택하면 주요 SSA 옵션으로 Window Length, Significance 유형 및 Covariance Estimator를 지정할 수 있습니다. Default 버튼은 데이터 시계열의 길이에 따라 입력 매개 변수를 선택하는 지침으로 제공됩니다.
SSA 구성 요소의 수는 향후 분석을 위해 캡처 된 분산 측면에서 얼마나 많은 주요 구성 요소가 유지 될지 지정합니다. 계산 후에는 고급 옵션을 사용하여 이러한 유지 된 구성 요소에 대한 추가 정보를 얻을 수 있습니다. SSA의 결과는 스펙트럼 필드에 지정된 이름으로 매트릭스에 저장됩니다. 또한, T-EOFs 및 T-PCs (아래 참조)는 접두어 & quot; eof_ & quot; 및 " pc _ & quot; Spectrum 이름에 저장하고 데이터 I / O 도구에서 액세스 할 수 있습니다. 여러 SSA 실행 결과를 다른 행렬에 저장 한 경우 특정 SSA 실행에 사용 된 매개 변수가 스펙트럼 팝업 목록에서 대응 행렬을 선택하기 만하면 GUI로 복원됩니다.
창 길이.
창 길이를 60으로 설정합니다. 이는 시계열 (1 개월 샘플링 속도의 690 데이터 포인트) 및 조사중인 진동 기간 (2 및 4 년)에 적합합니다.
공분산 추정.
주의 : Burg 공분산 행렬 추정 옵션은 Burg가 주 SSA 패널에서 선택된 경우 Vautard-Ghil로 기본 설정된 Monte-Carlo 유의성 테스트에서 지원되지 않습니다.
SOI 시계열을 분석하기 위해 Burg 공분산 법을 사용했습니다.
중요성 테스트.
지능적 인 Chi-Squared Monte Carlo.
여기서 τ는 시계열에 대한 일반적인 상관 관계 해제 시간이고, k는 사용자가 제공 한 상관 관계 가중치이며 1과 2 사이의 값입니다 (기본값은 1.5). & λ i는 스펙트럼에서 i 번째 고유 값입니다. Toolkit은 시계열의 지연 1 자기 상관의 대수의 역함을 & tau로 추정합니다.
창 길이가 60으로 설정되었으므로 SSA는 시계열을 60 개의 구성 요소로 분해하므로 60 개의 고유 값이 그려집니다. 다양한 구성 요소의 중요성은 어떤 구성 요소가 잡음 배경에 비해 훨씬 더 많은 변동을 제공 하는지를 지적함으로써 질적으로 판단 할 수 있습니다. 후자는 고유 값 스펙트럼의 평평한 꼬리, 즉 약 10 내지 60의 구성 요소를 포함하는 것으로 가정한다. 앞의 그림에서 주요한 10 개의 구성 요소는 고유 값 스펙트럼의 뚜렷한 틈보다 위에 위치하며, 따라서 육체적 의미의.
특히 우리는 두 쌍의 거의 동일한 고유치를 형성하는 네 가지 구성 요소에 관심이 있습니다. SSA 이론 섹션에서 논의 되었 듯이, SSA에서 거의 동일한 쌍의 고유치는이를 진동으로 특성화 한 것입니다. 그러나 고유 값은 수치 및 표본 추출 오류가 발생할 수 있으며 고유 값의 단순한 쌍으로는 발진이 확인되었음을 보장하기에 충분하지 않습니다. 위의 고유 값 플롯에서 오류 막대는 추정 오류의 임시 범위를 나타냅니다. 유의하게 중첩되는 에러 막대를 갖는 임의의 고유치는 "진동 쌍"을 나타낼 수있다. 또한 스펙트럼의 잡음 부분의 오차 막대와 상당히 겹치는 오차 막대가있는 고유 값도 해당 잡음의 일부로 의심되어야합니다.
페어링 기준.
툴킷은 애드혹 에러 막대가 겹치는 고유 값의 클러스터에서 진동 쌍 및 트렌드 구성 요소를 식별하기위한 3 가지 페어링 기준을 제공합니다. 그러나 '휴리스틱 스'테스트가 기본 SSA 패널에서 선택 될 필요는 없습니다. 이 테스트의 결과는 로그 탭에서 액세스 할 수 있습니다. 이러한 테스트는 고급 패널의 확인란을 사용하여 동시에 활성화 할 수 있습니다.
'동일 주파수'- 잠재적 인 쌍 또는 클러스터와 관련된 T-EOF는 단순한 푸리에 변환을 통해 지배적 인 주파수를 식별합니다. 쌍 (또는 클러스터)은 연관된 T-EOF가 SSA 대역폭 (1 / M)의 일부분 내에서 동일한 지배적 인 주파수를 가질 때 식별됩니다.
`강한 FFT '- 동일한 푸리에 변환은 잠재적 인 진동 쌍이 주어진 주파수에서 얼마나 많은 신호를 측정하는지 결정하는 데 사용됩니다. 이 분산 분율은 쌍 (또는 클러스터)을 식별하기 위해 95 %를 초과해야합니다.
`동향 테스트 '- 추세 및 저주파 SSA 구성 요소를 식별하는 데 도움이되는 두 가지 테스트 : T-PC (및 RC가있는 경우)에 대한 Kendall의 tau 비모수 적 경향 테스트 T-EOF 내의 제로 크로싱 수를 계산합니다.
SOI 예에서 로그는 SSA 구성 요소의 1-2 쌍이 진동과 관련하여 '동일한 주파수'와 '강력한 FFT'테스트를 통과하는 반면 5 번째 구성 요소는 추세로 표시된다는 것을 보여줍니다 (SSA 추세에 대한 자세한 내용은 여기 참조) :
몬테 카를로 SSA.
고급 옵션에서 기본 팝업 메뉴를 사용하여 두 개의 고정 된 T-EOF베이스가 사용됩니다. 데이터 : 데이터는 많은 AR (1) 잡음 실현과 함께 데이터 공분산 행렬의 EOF에 투영됩니다.
'신뢰': 백분위 수, 예 : 95는 적색 잡음 귀무 가설과 관련하여 95 % 신뢰 수준을 의미합니다.
아니. Surrogates : '몬테 카를로 노이즈 구현의 수.
카이 제곱.
고급 옵션.
표의 행을 선택하여 사용자는 해당 T-EOF 또는 T-PC를 플롯하고 검사하고 재구성을 수행 할 수 있습니다. 또한 SSA 예측 및 갭 필링을 수행 할 수 있습니다.
SSA 구성 요소 테이블에서 처음 두 행을 선택하고 플롯 EOF를 클릭하면 두 개의 선행 EOF가 실제로 위상 직교 (즉, 다른 하나를 선도하는 위상 직교) 상태인지 확인할 수 있습니다.
T / 4 리드. 여기서 T는 공통주기입니다.
순수한 적색 잡음 귀무 가설에 대해 테스트하기 위해 중요도 테스트로 Chi-Squared를 선택합니다 (Included EOFs 필드는 비워 둡니다). Compute and Plot 버튼을 클릭하고 Graph Controls 창에서 X 축 한계를 조정 한 후 다음 플롯을 얻습니다.
여기에서 분산은 x 축에서 '데이터'EOF의 지배적 인 빈도에 대해 플롯되고 데이터 EOFs 기준에 데이터 및 null 가설 (NH) 대체물의 투영을 설명합니다. 이는 본질적으로 SSA 고유 값이며 점으로 표시됩니다. 그래프 컨트롤을 사용하여 스펙트럼의 저주파 부분을 확대했습니다. EOF의 주된 주파수는 0에서 0.5 / dt까지의 나이키 스트 간격에서 0.001 / dt 분해능으로 계산됩니다. 오차 막대는 'NH'잡음의 세그먼트를 분석 할 때 '기준'에서 특정 EOF에 의해 정의 된 상태 공간 방향에서 발견 할 것으로 예상되는 분산의 95 %를 나타냅니다 (고급 옵션과 같은 신뢰 수준 설정 포함). . 'Included EOFS'옵션을 사용하면 위에서 설명한대로 'NH'복합 요소를 만들 수 있지만 여기에는 순수한 빨강 노이즈가 있습니다.
Data Eofs 기초에 대해 우리는 EOFS 1-2와 3-4에 해당하는 고유치가 거의 동일한 주파수에서 서로 중첩되어 나타나는 것을 관찰합니다.
0.02 및 0.034주기 / 월, 그리고 null-hypothesis 오차 막대 바깥에 놓여있다. 따라서 이들은 (고급 옵션의 신뢰 수준에서 설정된 95 % 수준에서) 선택된 null 가설 프로세스에 의한 것일 확률이 비교적 낮으며 두 가지 중요한 변동을 나타냅니다. Chi-squared 테스트의 결과는 몬테카를로 방식을 사용하여 항상 확인되어야하며, 이는 복잡한 노이즈 모델에도 필수적입니다.
고급 옵션의 기본 팝업 메뉴에서 AR (1)을 선택하여 'Null-hypothesis'의 예상 공분산 행렬로부터 계산할 '기초'EOF를 선택할 수도 있습니다. 데이터의 투영은 SSA 고유치를 여기에 제공하지 않지만 그래프의 해석은 동일합니다. 순수한 잡음 NH의 EOF가 거의 규칙적으로 간격을 두는 방법에 유의하십시오. NH 기반은 SSA에서 상속 된 인위적인 분산 - 압축을 피할 수 있으며, 따라서 가양 성 결과의 가능성이 낮다. 즉 잡음 성분을 중요하다고 식별한다. 계산을 다시 한 후 결과 스펙트럼을 아래에 나타냅니다.
NH 기저는 또한 확인 된 중요한 쌍의 중요성을 확인하고, 우리는 이들이 엘니뇨의 QB와 QQ 성분에 해당한다고 결론을 내린다.
재건 및 예측.
(참고 : 데모 버전에서 SSA Reconstruction / Prediction은 예제 프로젝트의 데이터에만 사용할 수 있습니다! 사용자 정의 데이터의 경우이 기능은 구입 후 일련 번호로 활성화 한 후에 활성화됩니다)
고급 패널의 SSA 구성 요소 테이블을 사용하면 선택된 SSA 구성 요소의 원본 시계열을 재구성하고 예측할 수 있으며 플롯 EOF 및 플롯 PC 단추를 사용하여 연관된 T-EOF 및 T-PC를 플로팅 할 수 있습니다. 재구성 / 예측이 포함 된 벡터의 이름은 결과 필드에 사용자가 지정합니다. 개별적인 RC 구성 요소는 & quot; 매트 _ & quot; 결과 이름에 저장되며 데이터 I / O 도구에서 액세스 할 수 있습니다. 결과 필드는 SSA 갭 필 기능과 공유됩니다.
여러 재구성 결과를 다른 벡터에 저장 한 경우 결과 팝업 목록에서 해당 벡터를 선택하면 GUI에서 특정 재구성 매개 변수가 복원됩니다. 예측 사용자는 리드 필드에서 리드 타임을 지정해야하며, 선택된 SSA 구성 요소의 시간을 앞당기려면 AR 모델의 순서를 지정해야합니다. 예측을위한 최적의 매개 변수를 찾는 교차 검증이 가능합니다. 자세한 내용은 SSA 예측을 참조하십시오. & quot; 필터 아웃 " 상자는 원래 데이터에서 선택한 구성 요소를 필터링합니다 (예측 기능이 비활성화 된 경우). 이것은 detrending에 매우 유용 할 수 있습니다.
참고 : SSA 교차 유효성 검증을 Lead = 0으로 적용하면 특정 간격의 시계열에서 고정 창 크기로 재구성 기능을 테스트 할 수 있습니다. SSA는 단축 된 시계열에 여러 번 적용되어 "실시간" 환경. 이 기능을 Forex USD / EUR 시계열에 적용하는 예에서 Finance 폴더를 참조하십시오.
확인 된 '중요'구성 요소의 1-4 표 행을 선택하고 재구성 / 예측 상자에서 계산을 클릭 한 다음 플롯을 클릭하면 그래프 제어 창에서 매개 변수를 조정 한 후 다음 그림이 표시됩니다.
데이터 I / O 패널의 벡터 테이블의 정보 버튼을 사용하여 캡처 한 총 차이와 결과 벡터에 사용 된 개별 RC를 볼 수 있습니다.
재발행 없음 SSA 바 표시기 검토.
SSA Bar는 차원 M의 벡터 공간에서 시계열 X (t) : t = 1, N을 임베딩하는 방식을 기반으로 작동하는 뛰어난 표시기입니다. 지연 - 공분산 행렬을 대각선으로 앞서는 비모수 스펙트럼 예측 방법을 사용합니다 약한 의미에서 움직이지 않는 것으로 이해되는 시계열에 대한 스펙트럼 정보를 얻기위한 X (t) 기본적으로이 표시기는이 기술 도구를 기술적 분석 도구로 사용하는 방법에 대한 제안입니다.
SSA가 무엇인지 깊이 알 필요는 없으며 단순히 SSA의 기능을 이해해야합니다. 이 지표는 시계열을 분해 한 다음 재구성합니다. 이것은 일련의 모든 가변성을 취하여 고유 벡터 (eigenvector)라고하는 소수의 진동 패턴으로 분해하는 훌륭한 방법입니다. 그것도 이러한 패턴이나 고유 값의 의미를 제공합니다. 고유 벡터는 가격의 성능 모드를 가장 잘 나타내는 구조 함수입니다.
블로그에 오신 것을 환영하며 SSA Bar Indicator에 귀중한 의견을 남겨 주시기 바랍니다.
No comments:
Post a Comment