+
나는 플랫 파일 읽기 루프에서 지난 7 일 작업 시간을 추적 할 필요가있다. 그것은 작업 명부의 fatigueability을 측정하는 데 사용되는 s의. 지금은 작동하는 무언가를 가지고 있지만 오히려 자세한 보인다 좀 더 간결 s의 패턴이 s의 여부를 모르겠어요. 현재, 내가 파일을 읽을 때 정적 배열과 자바 클래스 다음, 마지막 x 일 데이터를 보유해야한다, 나는 첫 번째 요소를 잘라 하나에 의해 다른 6 (주 롤링 총) 다시 이동합니다. 이 정적 배열의 처리 자체 메소드 예에서 수행된다. 내 질문 :이 합리적인 설계 방법, 또는 사람 많이 14시 33분 덕분에 고마워 8 월 (30) (11) 질문이 작업을 수행 할 눈부시게 분명하고 간단한 무언가가있다 : I Pete855217 15시 5분에서 8월 30일 (11)이 RunningTotal은 초기화 이유는 무엇입니까 당신이 실제 자바 코드를 닮은 몇 가지 코드 샘플을 넣어 경우가 그것은 잘 할 것이라고 선언의 유형은 무엇 null로. 당신의 함수가 너무 많은 :에 이동, 나의 비판은 다음과 같은 것이다. 함수 또는 방법은 응집해야한다. 더 적절하게, 그들은 한 가지 단 하나의 일을해야합니다. 당신은 RunningTotal은 5로 RunningTotal은 6 복사 할 때 × 5 더 나쁜 아직, 무엇 루프에 대한 귀하에 발생합니다. 하지만 두 위치 5에서 같은 값의 사본 및 디자인 6. 함수 이동이 / 배열의 항목은 표준 오류에 총 인쇄 물건이 너무 많이하지 전체를 반환 계산 섞는다. 나의 첫번째 제안은 배열에 물건을 이동할 수 없습니다. 대신 원형 버퍼를 구현하는 배열 대신에 사용. 그것은 당신의 설계를 단순화합니다. 내 두 번째 제안은 응집력있는 기능으로 물건을 파괴하는 것입니다 : 당신이 그것에 추가 할 수있는 데이터 구조 (원형 버퍼)가 (그리고는 용량에 도달 할 때마다 가장 오래된 항목을 삭제합니다.) 데이터 구조가 구현 한 interator 반복자에 총을 계산하는 기능이 (당신은 당신이 배열, 목록 또는 원형 bufer 중 합계를 계산하는 경우 t 상관 돈.) t는 총 호출 돈. 당신이 계산 무엇 인 합을 호출합니다. 그게 내가 할 거라고 무슨이다 : 2시 23분에서 Pete855217 8월 31일 11 음, 그것은 8월 31일 11 luis. espinal에서 15시 55분 당신의 작업은 너무 간단하고 채용 한 aproach 확실히 일을 위해 좋은입니다. 당신은 더 나은 디자인을 사용하려는 경우, 당신은 당신이 더 나은 FIFO 큐를 사용하여 코드가 늘 모든 데이터 이동을 반영 방법 푸시와 팝 방법을 잘 활용, 단지 두 개의 논리 작업을 모두 번호 이동을 없애합니다 새로운 데이터 7 일보다 오래된 데이터를 제거합니다. 외환 잡지에 의해 번호를 하나의 거래 지표로 선정되어 평균 이동 평균 트레이딩 시스템을 200 일 이동 14시 49분 200 일에서 8월 30일 11 대답했다. 그것은 동시에 기능 상당히을 수행 할 수있는 개인 I는 매우 안정하고 다양한 지표로 200 일 이동 평균을 찾기. 이 게시물에, 나는 당신과 함께 다양한 방법으로 당신이 200 MA를 사용하고 거래 시스템에 통합 할 수 있습니다를 공유한다. 나는 SMA에 비해보다 역동적이고 반응되도록 EMA를 찾을 수 있기 때문에 보통 대신 단순 이동 평균의 평균 이동 200 지수 음모. 다음은 200 EMA을 활용할 수있는 몇 가지 방법이있다. 1) 경향 식별자. 당신이 읽었다면 내 다른 블로그 게시물은 이동 평균에 대해 얘기. 만약 그들이 그래프 식별자로서 사용될 수 있음을 알 것이다. 당신이 필요로하는 자신의 기울기를 관찰하는 것입니다 그리고 당신은 시장의 추세를 알 수있을 것입니다. 당신이 200 EMA 위쪽으로 경 사진 참조하면 상승 추세에 있고 당신이 200 EMA가 하향 경 사진 참조하면, 당신은 하락 추세에 있습니다. 2) 강도 식별자로서 : 당신이 상승 추세에있는 경우에도 추세는 조용하고 강한로 설명 될 수있다. 시장 동향 2 종류가 기본적으로있다. 당신이 당신의 200 EMA의 기울기가 가득한 할 나타나면 동향과 조용한 동향 및 휘발성 당신이 추세 및 휘발성 시장에서, 휘발성 동향 조용한 인기 급상승. 당신이 부드럽게 당신의 200 EMA의 기울기를 볼 경우, 동향과 조용한 시장에 있습니다. 3) 지원 또는 저항 수준으로 : 이동 평균의 많은 다른 값 중, 200 일 이동 평균이 가장 중요하다. 당신이 당신의 거래 차트를 살펴 경우에, 당신은 다른 이동 평균선보다 그것을 존중하는 시장을 찾을 수 있습니다. 따라서이 높은지지 저항 레벨로서 사용될 수있다. 4) 입력 신호로서 : 일부 상인은 200 EMA의 사용은 자신의 항목을 배치 할 수 있습니다. 가격이 그 위에 이동할 때, 당신은 당신의 LONG 무역을 입력 할 수 있습니다. 가격은 아래에 이동하면, 당신은 다음 SHORT 무역을 입력 할 수 있습니다. 마찬가지로, 당신은 또한 당신의 LONG 거래를 종료 할 수 있습니다 때 그리고 그 구절 아래의 가격으로 이동합니다. 이제 200 일의 전력 이동 평균 방법과 거래를 사용하는 방법을 알고, 당신은 당신의 거래 시스템에 통합하고 그것에서 돈을 벌기 위해 시작할 수 있습니다. 독자에 참고 위의 전략은 미세 조정되지 않은 일반적인 전략 있습니다 마십시오. 당신이 그것으로 거래하기 위해서는, 데모 계정에 그것을 미세 조정하시기 바랍니다. 당신이 조정할 전략을 미세하는 방법을 모르는 경우, 아래를 참조하시기 바랍니다 HI, 난 당신의 블로그를 좋아했다. 나는 돈을 잃어 버리는 새로운 상인입니다. 나는 도움을 부탁합니다. 나는, 지속적으로 사용하는 간단한 시스템을 가지고 당신을 위해 일하는 뭔가를하고 싶습니다. 난 당신이 무역을 입력 추세 후 5 분 차트를 확인하기 위해 15 분 (200) EMA를 사용하는 것이 읽어 보시기 바랍니다. 지금 EUR / USD는 움직이고 있습니다. 나는 1.3800에 갔다 긴 무역을 가지고 있고, 나는 그것이 갈 것입니다 얼마나 높은 궁금입니다. 나는 지난 24 시간 동안 모든 방울과 달걀 껍질에 앉아있다. 액션 외환은, 무엇 당신이 다이애나 것을 당신이 시장 분석에 대한 자세한 내용을 찾을 관심이있는 경우에 대해 생각 날 15 분 200 EMA에 보이는 1.3650에서 EUR을 /를 USD를 판매하는 것이 좋습니다, 이 좀 걸릴 수 있습니다 내가 설정이 블로그는 특히 내 무역 분석에 대해 이야기합니다. 모든 내 Forex 무역 신호 블로그 첫째로 우리와 함께 당신의 소중한 지식을 공유 주셔서 감사합니다. 나는 질문이 있습니다. 내가 하나가 내가 기하 급수적으로 이동 평균을 변경하는 방법에 관해서는 선택해야하는 등의 중간 가격은 일반적인 가격에 이동 평균 변화, 당신의 플랫폼에 따라 다릅니다. 당신이 SMA 나 EMA의 옵션을 제공하고 당신이 평균 이동하고 설정으로 갈 수 있습니다 그 일부는 하나, 지수 가중 또는 단순로 변경이 일부 플랫폼이 있습니다. 가격에 관해서는, 나는 기본 가까운 설정을 사용합니다. 리마는 평균 모델을 이동 회귀 통합을 의미합니다. 변량은 (단일 벡터) ARIMA 자체 관성에 전적으로 기초한 일련의 미래 값을 투사하는 예측 기법이다. 주된 애플리케이션은 적어도 40 과거 데이터 포인트를 요구 단기 예측의 영역이다. 데이터가 아웃 라이어 최소한의 시간에 따른 안정적인 또는 일관된 패턴을 나타내는 때 가장 잘 작동합니다. 데이터가 비교적 길고 과거 관찰 사이의 상관 관계가 안정 될 때 경우에 (원래 저자 후) 박스 - 젠킨스라는 ARIMA는 스무딩 기술을 지수에 일반적으로 우수하다. 데이터가 짧거나 높은 휘발성이라면 어떤 스무딩 방법은 잘 수행 할 수있다. 적어도 38 데이터 포인트가없는 경우 ARIMA보다 다른 방법을 고려해야합니다. ARIMA 방법을 적용하는 첫 번째 단계는 정상 성을 확인하는 것입니다. 정지성이 일련의 시간에 따른 비교적 일정한 수준으로 남아 있다는 것을 의미한다. 경향은 대부분의 경제 또는 비즈니스 응용 프로그램에서와 같이 존재하는 경우, 데이터가 고정되지 않습니다. 데이터는 또한 시간이 지남에 따라 그 변동에 일정한 분산을 표시해야합니다. 이것은 쉽게 크게 계절 빠른 속도로 성장하고 일련 보인다. 이러한 경우에, 계절의 기복은 시간이 지남에 따라 더 극적인 될 것입니다. 이러한 정상 성 조건이 충족되지 않고, 처리와 관련된 많은 계산이 계산 될 수 없다. 데이터의 그래픽 플롯이 nonstationarity를 나타내는 경우에, 당신은 차 시리즈를해야한다. 차이점은 고정 하나에 비 정적 시리즈를 변환하는 훌륭한 방법입니다. 이것은 이전의 현재 시간의 관찰을 감산함으로써 수행된다. 이 변환은 일련 회만 수행 된 경우, 데이터가 처음으로 구별 된 것을 말한다. 하여 일련의 비교적 일정한 비율로 증가되는 경우이 프로세스는 본질적 경향을 제거한다. 이 증가하는 속도로 성장하면 다시 동일한 절차 및 차분 데이터를 적용 할 수있다. 당신의 데이터는 둘째으로 구별 될 것이다. 자기 상관은 데이터 계열은 시간이 지남에 따라 그 자체에 관한 방법을 나타내는 수치이다. 보다 정확하게는, 그주기의 특정 수의 데이터 값은 시간 간격을 통해 서로 어떻게 상관되는지에 강하게 측정한다. 기간 수 떨어져 일반적 지연이라고한다. 예를 들어, 지연 한 조치에서 자기 상관이 얼마나 떨어져 시리즈 전반에 걸쳐 서로 상관 관계가 1 시간 값. 지연에서 자기 상관 데이터 두 기간 떨어져 시리즈 전반에 걸쳐 상관 방법이 측정합니다. 자기 상관은 1 내지 -1의 범위 일 수있다. -1 가까운 값은 높은 음의 상관 관계를 의미하는 동안 1에 가까운 값은 높은 양의 상관 관계를 나타냅니다. 이러한 조치는 대부분 correlagrams라는 그래픽 플롯을 통해 평가됩니다. correlagram 다른 시차에 주어진 계열의 자동 상관 값을 나타내는. 이 자기 상관 함수라고하고 ARIMA 방법에있어서 매우 중요하다. ARIMA 방법론은 자기 회귀 평균 파라미터 이동 호출하는지의 함수로서 고정 된 시계열로 움직임을 설명하기 위해 시도한다. 이들은 같은 AR 매개 변수 (autoregessive) 및 MA 매개 변수 (이동 평균)이라고합니다. 단 1 매개 변수를 가진 AR 모델로 기록 될 수있다. 순서 조사 아래에있는 A를 X (t) A (1) X (t-1) E (t) 여기서, X (t)의 시계열 (1) 회귀 파라미터 1 X (t-1)의 시계열 1 기간 E를 지연된 (t) 모델의 오차항이 단순히 주어진 값 X (t)의 이전 값, X (t-1), 더하기 일부 설명 할 수없는 임의의 오차 E (t)의 일부 기능에 의해 설명 될 수 있다는 것을 의미한다. (A)의 추정 값을 (1) 0.30 되었다면, 일련의 현재 값은 1 개월 전 값의 30에 관련 될 것이다. 물론, 일련의 하나 이전의 값보다 더 관련 될 수있다. 예를 들어, X (t) A (1) X (t-1) A (2) X (t-2) E (t)이 시리즈의 전류 값은 직전의 2 값의 조합임을 나타낸다 X (t-1), X (t-2), 플러스 어떤 임의의 오류 E (t). 우리의 모델은 지금 주문 2. 평균 모델을 이동하는 회귀 모델 : 박스 - 젠킨스 모델의 두 번째 유형은 이동 평균 모델이라고합니다. 이 모델은 AR 모델과 매우 유사하지만, 그들 뒤에 개념은 매우 다르다. 이동 평균 파라미터 t 단지 최근 시간주기에서 발생 랜덤 오류주기에서 발생하는 관련된, 즉 E (t-1), E (t-2) 등이 아니라 X (t-1), X (보다 t-2), (자기 회귀 접근법에서와 같이이 Xt-3). 다음과 같이 하나의 MA 용어와 이동 평균 모델은 기록 될 수있다. X (t) - B (1) E (t-1) E (t)라는 용어 B (1) 매개 변수 앞의 음의 부호 만 대회에 사용되는 순서 (1)의 MA이라고하며 일반적으로 인쇄 대부분의 컴퓨터 프로그램에 의해 자동적으로 아웃. 상기 모델은 단순히 X (t)의 임의의 주어진 값 바로 이전 기간, E (t-1) 만 랜덤 오류에 관련된, 현재 에러 항을, E (t)되는 것을 말한다. 회귀 모델의 경우에서와 같이, 이동 평균 모델 고차 구조의 다른 조합을 덮는 길이와 평균 이동으로 연장 될 수있다. ARIMA 방법은 모델 회귀와 함께 평균 매개 변수를 이동을 모두 포함하는 내장 할 수 있습니다. 이 모델은 종종 혼합 모델이라고합니다. 이것이 더 복잡한 예측 도구있게되지만, 구조는 실제로 더 시리즈 시뮬레이션하고보다 정확한 예측을 생성 할 수있다. 둘 - 순수 모델은 구조는 AR 또는 MA 매개 변수로 구성되어 있음을 의미한다. 그들은 자기 회귀 (AR)의 조합을 사용하고 있기 때문에이 방법에 의해 개발 된 모델은 일반적으로 적분 (I), ARIMA 모형이라고 - 예측을 생성하는 차분의 역 프로세스를 참조하면, 평균 (MA) 작업을 이동. ARIMA 모델은 일반적으로 ARIMA (P, D, Q)로 적혀있다. 이 회귀 요소 (p), 차분 연산자 (d) 수, 이동 평균 기간이 최상위의 순서를 나타낸다. 예를 들어, ARIMA (2,1,1)는 일련의 정상 성을 유도 한 번으로 구별 된 평균 요소를 이동 1 차와 2 차 회귀 모델을 가지고 있다는 것을 의미한다. 오른쪽 사양을 따기 : 클래식 박스 - 젠킨스의 주요 문제는 - i. e. 사용할 ARIMA 사양을 결정하려고한다 AR 및 / 또는 MA 매개 변수를 포함하는 방법 많은. 이 박스 Jenkings 1976의 대부분은 식별 과정에 전념 한 것입니다. 이 샘플의 자기 상관 및 부분 자기 상관 함수의 그래프의 수치 eval - uation 의존. 글쎄, 당신의 기본 모델에 대한 작업이 너무 어려운 일이 아니다. 각각은 특정한 방식을 보면 자기 상관 기능을 가지고 있습니다. 당신이 복잡성에 갈 때, 패턴은 너무 쉽게 감지되지 않습니다. 문제를 더 어렵게 만들려면, 데이터는 기본 과정의 샘플을 나타냅니다. 이것은 샘플링 에러 (특이점, 측정 오차 등) 이론적 인 식별 과정을 왜곡시킬 수 있다는 것을 의미한다. 기존 ARIMA 모델링 예술보다는 과학이 이유입니다.
No comments:
Post a Comment