SMART-LAB
Новый дизайн
Мы делаем деньги на бирже
Информация
Блог им. 3Qu
Фильтр Гаусса N-ного порядка как индикатор.
- 23 января 2020, 15:23
- |
Представляю вам статью John Ehlers Gaussian and Other Low Lag Filters, в которой рассматривается построение фильтров Гаусса N-ного порядка и их использование в качестве индикаторов. Статья старая, ей более 10 лет, но фильтры не стареют, и статья не потеряла актуальности. Обычное применение фильтров Гаусса — это фильтрация шумов в сигналах и изображениях.
Единственное, что в статье у меня вызывает сомнение, это расчет зависимости коэффициентов полинома фильтра от периода сглаживания. Но это проверять надо, а так как я использую схожие, но другие фильтры, то делать это мне нет никакого резона.
Во всяком случае, такие фильтры являются хорошей заменой стандартных МА и существенно превосходят их по функциональности.
При использовании подобных фильтров нет смысла увлекаться фильтрами высоких порядков. Если нет особой необходимости, вполне достаточно использования фильтров 2-го, ну м.б. 3-го порядков.
Ну, и, для полноты картины, еще одна, более ранняя статья автора POLES, ZEROS, and HIGHER ORDER FILTERS By John Ehlers
Единственное, что в статье у меня вызывает сомнение, это расчет зависимости коэффициентов полинома фильтра от периода сглаживания. Но это проверять надо, а так как я использую схожие, но другие фильтры, то делать это мне нет никакого резона.
Во всяком случае, такие фильтры являются хорошей заменой стандартных МА и существенно превосходят их по функциональности.
При использовании подобных фильтров нет смысла увлекаться фильтрами высоких порядков. Если нет особой необходимости, вполне достаточно использования фильтров 2-го, ну м.б. 3-го порядков.
Ну, и, для полноты картины, еще одна, более ранняя статья автора POLES, ZEROS, and HIGHER ORDER FILTERS By John Ehlers
теги блога 3Qu
- Binance
- C#
- C++
- DDE
- DLL
- EMA
- Excel
- Exponential Moving Average
- Lua
- machine learning
- ML
- MOEX
- Moving Average
- Python
- QLua
- Quik
- Quik Lua
- Si
- Smart-lab
- SQLite
- автоматическая торговая система
- акции
- алготрейдинг
- базы данных
- биржа
- Боллинджер
- Брокер
- брокеры
- вероятность
- выбор
- Газпром
- дельта
- доллар
- Доллар рубль
- доска опционов
- идеология
- инвестиции
- индикатор
- индикаторы
- интрадей
- календарный спред
- календарный спрэд
- Кризис
- криптовалюта
- МА
- Машинное обучение
- моделирование
- модель
- Моментум
- нейросети
- нейросеть
- нефть
- опрос
- опционные стратегии
- опционы
- оффтоп
- плечо
- прогнозирование
- программирование
- психология
- реклама
- роботы
- рынок
- сеточник
- скальпинг
- скользящие средние
- случайное блуждание
- спекуляции
- спекуляция
- статистика
- стационарность
- стоп
- стопы
- Стратегии
- стратегия
- стрэддл
- стрэнгл
- Тейк
- терминал
- тест
- тестер стратегий
- тестирование
- технический анализ
- торговая система
- торговая стратегия
- торговые роботы
- торговые системы
- торговые стратегии
- трейдинг
- ТС
- фильтр
- Фильтры
- Форекс
- фундаментальный анализ
- фьючерс
- фьючерс ртс
- фьючерсы
- экспорт данных
- эффективность рынка
- эффективный рынок
Если просто прочитали статью и поверили автору на слово, то проблемы могут быть.
У меня в моих программах заложена возможность повышения порядка фильтров, но как правило наилучшие результаты показывают фильтры самого низкого порядка.
Простейшие фильтры с гладкой вершиной на основе Баттервортовских прототипов помимо минимальной групповой задержки вносят в результат минимум искажений. По сравнению с тем же гауссовским фильтром. И если не стоит задача что-то подчеркнуть в выходном сигнале за счет именно вносимых искажений, то смысла в их применении нет. ИМХО.
Кстати, уж, групповую задержку можно и скорректировать. И не только.)
Когда-то применял и ф.Гаусса. Не вижу особых опасностей в его применении. В статье, кстати, не совсем и Гаусс, а некое его приближение, с низким лагом, как пишет автор.
Природу не обманешь.
Ну я же сказал, что все определяется вашими задачами, а не моим мнением. Дает вам это эффект, ну и хорошо.
В крайнем случае будет фишка оригинальная.
Ну, а бездумное применение даже стандартных для ТА индикаторов тоже до добра не доведет.
Можно согласиться, что 2-го, изредка 3-го порядка вполне достаточно. Ну, а если надо с минимальной задержкой, то уже надо перестраивающиеся на каждом шагу. Здесь, в частности, полином. регрессия оч. неплохо выглядит.
Для классических динамических, даже с элементами случайного воздействия, работает. Для, систем, склонных к хаотическому поведению и не имеющих динамической модели не работает.
ЗЫ Ну, а модель, случайное блуждание со сносом, например.
В любом случае, мало мальски существенное изменение цены вызвано групповым поведением участников, а оно просто не может быть в ВЧ области.
Комментирую исходя из своего опыта. Вначале я искал сложные решения. Потом начал упрощать и продолжаю это делать. И чем проще, тем лучше результаты. Если правильно поставить задачу, конечно.
В сложных системах простые решения не работают. Но, в условиях высокой неопределенности, и сверхсложные тоже бесполезны.
В общем, любая система образована из множества взаимодействующих простейших функциональных узлов.
В общем, да, конечно. Точнее, Винеровский процесс — модель случайного блуждания.