Ek nodig het om tred te hou met die laaste 7 dae werksure in 'n plat lêer lees lus te hou. Dit is wat gebruik word om fatigueability werk roosters te meet. Op die oomblik het ek iets wat werk, maar dit lyk eerder uitgebreide en ek is nie seker of daar is 'n patroon wat meer bondige is. Op die oomblik het ek 'n Java klas met 'n statiese skikking na die laaste x dae data te hou, en dan as ek deur die lêer te lees, ek afkap die eerste element en beweeg die ander 6 (vir 'n week aan die rol totaal) terug vir een. Die verwerking van hierdie statiese skikking word gedoen in sy eie metode dws. My vraag: is dit 'n redelike ontwerp benadering, of is daar iets verblindend duidelik en eenvoudig om hierdie taak Dankie ouens gevra 30 Augustus 11 doen by 14:33 Dankie baie ouens Ek Pete855217 30 Augustus 11 by 15:05 Waarom het jy runningTotal inisialiseer om nul wat is die tipe Waar verklaar dit sal goed doen as jy 'n paar kode monsters wat werklike Java-kode lyk. jou funksie nie te veel: aanbeweeg, sal my kritiek op die volgende wees. 'N funksie, of metode, moet samehangende wees. Meer toepaslik, moet hulle een ding en net een ding om te doen. Erger nog, wat gebeur in jou lus wanneer x 5 Jy runningTotal 6 kopieer na runningTotal 5. maar dan het jy twee kopieë van dieselfde waarde by posisie 5 en 6. In jou ontwerp, jou funksie beweeg / skud die items in jou reeks word bereken dat die totale druk dinge om standaardfout die totale Dit maak te veel terug. My eerste voorstel is nie om dinge rond te beweeg in die skikking. In plaas daarvan, te implementeer 'n omsendbrief buffer en gebruik dit in plaas van die skikking. Dit sal jou ontwerp te vereenvoudig. My tweede voorstel is dinge af te breek in funksies wat samehangende is: 'n datastruktuur ( 'n omsendbrief buffer) wat jou toelaat om by te voeg om dit (en dat druppels die oudste inskrywing wanneer dit sy kapasiteit bereik.) Het die data struktuur te implementeer 'n interator het 'n funksie wat die totale bereken op die iterator (jy don t sorg as jy die totale uit 'n skikking, lys of omsendbrief bufer is bereken.) don t noem dit totaal. Noem dit som, en dit is wat jy berekening. Dit is wat ek d doen :) Dit Pete855217 31 Augustus 11 by 02:23 Hmmm, dit luis. espinal 31 Augustus 11 by 15:55 Jou taak is te eenvoudig en die hoek te benader jy aangeneem is beslis goed vir die werk. Maar, as jy wil 'n beter ontwerp gebruik, jy moet ontslae raak van al dat die getal beweging kry jy 'n beter gebruik 'n EIEU tou en maak goeie gebruik van druk en pop metodes wat manier die kode gewoond te besin enige data verkeer, net die twee logika aksies van nuwe data en verwyder data ouer as 7 dae. antwoord 30 Augustus 11 van die 14:49 200 daagse bewegende gemiddelde Trading System Die 200 daagse bewegende gemiddelde is aangewys as die nommer een handel aanwyser deur 'n forex tydskrif. Ek persoonlik vind die 200 dae - bewegende gemiddelde as 'n baie betroubare en veelsydige aanwyser aangesien dit 'n hele aantal funksies kan verrig terselfdertyd. In hierdie post, sal ek deel met julle die verskillende maniere waarop jy kan die 200 MA gebruik en integreer dit in jou handel stelsel. Ek gewoonlik plot 200 Eksponensiële bewegende gemiddelde plaas van die eenvoudige bewegende gemiddelde, want ek die EMA vind meer dinamiese en reageer op wees in vergelyking met die SMA. Hier is 'n paar van die maniere waarop jy kan gebruik maak van die 200 EMO maak. 1) As 'n tendens Identifier. As jy lees my ander blog post praat oor die bewegende gemiddeldes. jy sal weet dat dit gebruik kan word as 'n tendens identifikasie. Al wat jy nodig het, is om hul helling waarneem en jy in staat is om die tendens van die mark vertel sal wees. As jy kyk na die 200 EMO skuins boontoe, jy is in 'n uptrend en as jy sien die 200 EMO skuins afwaarts, jy is in 'n verslechtering neiging. 2) as 'n sterk Identifier: Selfs wanneer jy in 'n uptrend, die neiging kan beskryf word as stil en sterk. Daar is basies 2 soorte trending mark. Neigings en Stil trending en wisselvallige Neigings Stil Neigings Vlugtige As jy kyk na die helling van jou 200 EMO word ryk, jy is in 'n trending en wisselvallige mark. As jy die gradiënt van jou 200 EMO sagte te wees sien, jy is in 'n trending en stil mark. 3) as 'n ondersteuning of weerstandvlak: Uit so baie verskillende waarde van bewegende gemiddeldes, die 200 dae - bewegende gemiddelde is die belangrikste. As jy 'n blik op jou handel term te neem, sal jy die mark te vind respekteer dit meer as enige ander EMA. Daarom is dit kan gebruik word as 'n sterk ondersteuning en weerstand vlak. 4) as 'n inskrywing Signal: Sommige handelaars gebruik maak van die 200 EMO om hul inskrywing te plaas. Wanneer die prys bo dit beweeg, kan jy tik jou lang handel. As die prys laer as dit beweeg, kan jy tik jou KORT handel. Net so kan jy ook jou lang handel verlaat wanneer die prys beweeg daaronder en vice vers. Nou dat jy weet wat die krag van die 200 dae - bewegende gemiddelde en hoe om dit te gebruik in jou handel, kan jy begin om dit te integreer in jou handel stelsel en maak geld daaruit. Nota aan lesers daarop dat die bogenoemde strategie is 'n algemene strategie wat nie fyn het gestem. Ten einde vir jou om handel te dryf met dit, asseblief uitwas deuntjie op 'n demo rekening. As jy nie weet hoe om fyn te stel 'n strategie, lees asseblief die onderstaande Hi, ek hou van jou blog. Ek is 'n nuwe handelaar om geld te verloor. Ek wil graag 'n paar help. Ek wil graag 'n eenvoudige stelsel om konsekwent te gebruik, iets wat vir jou werk. Ek lees dat jy die 15 min 200 EMO gebruik om die tendens en dan die 5 min grafiek om 'n handelsmerk te gaan kyk. Op die oomblik is die euro / dollar beweeg het. Ek het 'n lang handel wat ek het op 1,3800, en ek wonder hoe hoog sal dit gaan. Ek het gesit op eierdoppe met al die druppels in die laaste 24 uur. Aksie Forex beveel om die euro / dollar op 1,3650, wat lyk soos vir my die 15 min 200 EMO verkoop, Wat dink jy oor wat Diana As jy belangstel om meer oor die analise van die mark uit te vind is, kan jy 'n blik op hierdie neem blog dat ek die opstel van veral om te praat oor my handel ontleding. My Forex Trading Seine Blog In die eerste plek dankie vir die deel van jou kosbare kennis met ons. Ek het 'n vraag. Ek verander bewegende gemiddelde om, mediaanprys, tipiese prys ens Watter een moet ek kies Soos vir hoe om die bewegende gemiddelde verander om eksponensiële, dit hang af van jou platform. Daar is 'n paar platform wat gee jou die opsie van SMA of EMO en daar is 'n paar wat net gee jou bewegende gemiddelde en jy kan gaan na die omgewing te verander om óf eksponensiële, geweeg of eenvoudig. Soos vir die prys, ek gebruik die verstek naby omgewing. 'N Rima staan vir outoregressiewe geïntegreerde bewegende gemiddelde modelle. Eenveranderlike (enkele vektor) ARIMA is 'n vooruitskatting tegniek wat die toekomstige waardes van 'n reeks ten volle gebaseer op sy eie traagheid projekte. Die belangrikste aansoek is op die gebied van korttermyn voorspelling wat ten minste 40 historiese data punte. Dit werk die beste wanneer jou data toon 'n stabiele of konsekwent patroon met verloop van tyd met 'n minimum bedrag van uitskieters. Soms genoem word Posbus-Jenkins (ná die oorspronklike skrywers), ARIMA is gewoonlik beter as gladstrykingstegnieke eksponensiële wanneer die data is redelik lank en die korrelasie tussen die verlede waarnemings is stabiel. As die data is kort of baie volatiel, dan kan 'n paar smoothing metode beter te presteer. As jy nie ten minste 38 datapunte het, moet jy 'n ander metode as ARIMA oorweeg. Die eerste stap in die toepassing van ARIMA metode is om te kyk vir stasionariteit. Stasionariteit impliseer dat die reeks bly op 'n redelik konstante vlak met verloop van tyd. As 'n tendens bestaan, soos in die meeste ekonomiese of besigheid aansoeke, dan is jou data nie stilstaan. Die data moet ook 'n konstante stryd in sy skommelinge oor tyd te wys. Dit is maklik gesien met 'n reeks wat swaar seisoenale en groei teen 'n vinniger tempo. In so 'n geval, sal die wel en wee van die seisoen meer dramaties met verloop van tyd. Sonder hierdie stasionariteit voorwaardes voldoen word, baie van die berekeninge wat verband hou met die proses kan nie bereken word nie. As 'n grafiese plot van die data dui stationariteit, dan moet jy verskil die reeks. Breukmetodes is 'n uitstekende manier om die transformasie van 'n nie-stationaire reeks om 'n stilstaande een. Dit word gedoen deur die aftrekking van die waarneming in die huidige tydperk van die vorige een. As hierdie transformasie slegs een keer gedoen word om 'n reeks, sê jy dat die data het eers differenced. Hierdie proses elimineer wese die tendens as jou reeks groei teen 'n redelik konstante tempo. As dit groei teen 'n vinniger tempo, kan jy dieselfde prosedure en verskil die data weer aansoek doen. Jou data sal dan tweede differenced. Outokorrelasies is numeriese waardes wat aandui hoe 'n data-reeks is wat verband hou met self met verloop van tyd. Meer presies, dit meet hoe sterk datawaardes op 'n bepaalde aantal periodes uitmekaar gekorreleer met mekaar oor tyd. Die aantal periodes uitmekaar is gewoonlik bekend as die lag. Byvoorbeeld, 'n outokorrelasie op lag 1 maatreëls hoe waardes 1 tydperk uitmekaar gekorreleer met mekaar oor die hele reeks. 'N outokorrelasie op lag 2 maatreëls hoe die data twee periodes uitmekaar gekorreleer regdeur die reeks. Outokorrelasies kan wissel van 1 tot -1. 'N Waarde naby aan 1 dui op 'n hoë positiewe korrelasie, terwyl 'n waarde naby aan -1 impliseer 'n hoë negatiewe korrelasie. Hierdie maatreëls is meestal geëvalueer deur middel van grafiese plotte genoem correlagrams. A correlagram plotte die motor - korrelasie waardes vir 'n gegewe reeks by verskillende lags. Dit staan bekend as die outokorrelasie funksie en is baie belangrik in die ARIMA metode. ARIMA metode poog om die bewegings in 'n stilstaande tyd reeks beskryf as 'n funksie van wat is outoregressiewe en bewegende gemiddelde parameters genoem. Dit is waarna verwys word as AR parameters (autoregessive) en MA parameters (bewegende gemiddeldes). 'N AR-model met slegs 1 parameter kan geskryf word as. X (t) 'n (1) X (t-1) E (t) waar x (t) tydreekse wat ondersoek word 'n (1) die outoregressiewe parameter van orde 1 X (t-1) die tydreeks uitgestel 1 periode E (t) die foutterm van die model beteken dit eenvoudig dat enige gegewe waarde X (t) kan verduidelik word deur 'n funksie van sy vorige waarde, X (t-1), plus 'n paar onverklaarbare ewekansige fout, E (t). As die beraamde waarde van A (1) was 0,30, dan is die huidige waarde van die reeks sal wees met betrekking tot 30 van sy waarde 1 periode gelede. Natuurlik, kan die reeks word wat verband hou met meer as net 'n verlede waarde. Byvoorbeeld, X (t) 'n (1) X (t-1) A (2) X (t-2) E (t) Dit dui daarop dat die huidige waarde van die reeks is 'n kombinasie van die twee onmiddellik voorafgaande waardes, X (t-1) en X (t-2), plus 'n paar random fout E (t). Ons model is nou 'n outoregressiewe model van orde 2. bewegende gemiddelde modelle: 'n Tweede tipe Box-Jenkins model is 'n bewegende gemiddelde model genoem. Hoewel hierdie modelle lyk baie soortgelyk aan die AR model, die konsep agter hulle is heel anders. Bewegende gemiddelde parameters verband wat gebeur in tydperk t net om die ewekansige foute wat plaasgevind het in die verlede tyd periodes, naamlik E (t-1), E (t-2), ens, eerder as om X (t-1), X ( t-2), (xt-3) as in die outoregressiewe benaderings. 'N bewegende gemiddelde model met 'n MA termyn kan soos volg geskryf word. X (t) - B (1) E (t-1) E (t) Die term B (1) genoem word 'n MA van orde 1. Die negatiewe teken voor die parameter is slegs vir konvensie en word gewoonlik gedruk uit motor - dateer deur die meeste rekenaarprogramme. Bogenoemde model eenvoudig sê dat enige gegewe waarde van X (t) direk verband hou net aan die ewekansige fout in die vorige tydperk, E (t-1), en die huidige foutterm, E (t). Soos in die geval van outoregressiemodelle, kan die bewegende gemiddelde modelle uitgebrei word na 'n hoër orde strukture wat verskillende kombinasies en bewegende gemiddelde lengtes. ARIMA metode kan ook modelle gebou word dat beide outoregressiewe en gemiddelde parameters saam beweeg inkorporeer. Hierdie modelle word dikwels na verwys as gemengde modelle. Hoewel dit maak vir 'n meer ingewikkelde voorspelling instrument, kan die struktuur inderdaad die reeks beter na te boots en produseer 'n meer akkurate skatting. Suiwer modelle impliseer dat die struktuur bestaan slegs uit AR of MA parameters - nie beide. Die ontwikkel deur hierdie benadering modelle word gewoonlik genoem ARIMA modelle omdat hulle 'n kombinasie van outoregressiewe (AR) te gebruik, integrasie (I) - verwys na die omgekeerde proses van breukmetodes die voorspelling te produseer, en bewegende gemiddelde (MA) operasies. 'N ARIMA model word gewoonlik gestel as ARIMA (p, d, q). Dit verteenwoordig die orde van die outoregressiewe komponente (p), die aantal breukmetodes operateurs (d), en die hoogste orde van die bewegende gemiddelde termyn. Byvoorbeeld, ARIMA (2,1,1) beteken dat jy 'n tweede orde outoregressiewe model met 'n eerste orde bewegende gemiddelde komponent waarvan die reeks is differenced keer om stasionariteit veroorsaak. Pluk die reg spesifikasie: Die grootste probleem in die klassieke Box-Jenkins probeer om te besluit watter ARIMA spesifikasie gebruik - i. e. hoeveel AR en / of MA parameters in te sluit. Dit is wat die grootste deel van Box-Jenkings 1976 is gewy aan die identifikasieproses. Dit was afhanklik van grafiese en numeriese eval - uation van die monster outokorrelasie en gedeeltelike outokorrelasiefunksies. Wel, vir jou basiese modelle, die taak is nie te moeilik. Elk outokorrelasiefunksies dat 'n sekere manier te kyk. Maar wanneer jy optrek in kompleksiteit, die patrone is nie so maklik opgespoor. Om sake nog moeiliker maak, jou data verteenwoordig slegs 'n voorbeeld van die onderliggende proses. Dit beteken dat steekproeffoute (uitskieters, meting fout, ens) die teoretiese identifikasie proses kan verdraai. Dit is waarom tradisionele ARIMA modellering is 'n kuns eerder as 'n wetenskap.
No comments:
Post a Comment