Setelah membiarkan tes yang diuraikan dalam saya sebelumnya pasca dijalankan, saya dapat mengatakan bahwa hasilnya tidak meyakinkan karena jumlah neuron yang dioptimalkan dalam lapisan tersembunyi ternyata menjadi satu, jumlah minimum yang mungkin untuk memiliki lapisan tersembunyi. Hal ini membuat saya percaya bahwa fitur mentah, penanaman tau siklik ideal, sudah cukup untuk tujuan yang ada dalam pikiran saya.
Untuk tujuan tersebut, saya telah melakukan sedikit rekayasa fitur dan menulis yang berikut ini Oktaf fungsi,
## Copyright (C) 2019 dekalog
##
## This program is free software: you can redistribute it and/or modify it
## under the terms of the GNU General Public License as published by
## the Free Software Foundation, either version 3 of the License, or
## (at your option) any later version.
##
## This program is distributed in the hope that it will be useful, but
## WITHOUT ANY WARRANTY; without even the implied warranty of
## MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the
## GNU General Public License for more details.
##
## You should have received a copy of the GNU General Public License
## along with this program. If not, see
## www.gnu.org.
## -*- texinfo -*-
## @deftypefn {} {@var{emb1}, @var{emb2} =} cyclic_embedding (@var{price}, @var{period})
##
## Inputs are a price vector and a period vector.
##
## The function normalises the price between -1 and +1 over an adaptive period lookback.
##
## The outputs are two matrices of 3 columns each - the first column is normalised price
## and the second and third are delay embeddings of Tau and 2 x Tau, Tau being equal to
## one quarter of the adaptive period vector, the theoretical ideal Tau for sinusoidal
## waveforms.
##
## The first output matrix, EMB1, normalises the Tau and 2 x Tau columns according to the
## most recent max high/min low; EMB2 Tau and 2 x Tau are normalised according to the
## max high/min low in force at the delay embedding time.
##
## @seealso{}
## @end deftypefn
## Author: dekalog
## Created: 2019-09-18
function [ emb1 , emb2 , prob_matrix ] = cyclic_embedding( price , period )
price_smooth = price ;
emb1 = repmat( price , 1 , 3 ) ;
emb2 = emb1 ;
coeffs = generalised_sgolay_filter_coeffs( 5 , 2 , 0 ) ; coeffs = coeffs' ;
## initialising loop
price_smooth( 1 : 3 ) = coeffs( 1 : 3 , : ) * price( 1 : 5 ) ;
for ii = 4 : 48
price_smooth( ii ) = coeffs( 3 , : ) * price( ii - 2 : ii + 2 ) ;
endfor
price_smooth( 49 : 50 ) = coeffs( 4 : 5 , : ) * price( 46 : 50 ) ;
## end initialising loop
coeffs( 1 : 2 , : ) = [] ;
for ii = 51 : size( price , 1 )
price_smooth( ii - 2 : ii ) = coeffs * price( ii - 4 : ii ) ;
max_r = max( price_smooth( ii - period( ii ) : ii ) ) ;
min_r = min( price_smooth( ii - period( ii ) : ii ) ) ;
## period is exactly divisable by 4 ( and 2 ), e.g. 8 12 16 20 24 28 32 36 40 44 48 etc?
if ( rem( period( ii ) , 4 ) == 0 )
emb1( ii , 1 ) = 2 * ( ( price_smooth( ii ) - min_r ) / ( max_r - min_r ) - 0.5 ) ;
emb1( ii , 2 ) = 2 * ( ( price_smooth( ii - round( period( ii ) / 4 ) ) - min_r ) / ( max_r - min_r ) - 0.5 ) ;
emb1( ii , 3 ) = 2 * ( ( price_smooth( ii - round( period( ii ) / 2 ) ) - min_r ) / ( max_r - min_r ) - 0.5 ) ;
emb2( ii , 1 ) = emb1( ii , 1 ) ;
emb2( ii , 2 ) = emb2( ii - round( period( ii ) / 4 ) , 1 ) ;
emb2( ii , 3 ) = emb2( ii - round( period( ii ) / 2 ) , 1 ) ;
## periods 10 14 18 22 26 30 34 38 42 46 50
elseif ( rem( period( ii ) , 2 ) == 0 && rem( period( ii ) , 4 ) == 2 )
emb1( ii , 1 ) = 2 * ( ( price_smooth( ii ) - min_r ) / ( max_r - min_r ) - 0.5 ) ;
emb1( ii , 2 ) = 2 * ( ( ( 0.5*price_smooth( ii - round( period( ii ) / 4 ) ) + 0.5*price_smooth( ii - round( period( ii ) / 4 ) + 1 ) ) - min_r )...
/ ( max_r - min_r ) - 0.5 ) ;
emb1( ii , 3 ) = 2 * ( ( price_smooth( ii - round( period( ii ) / 2 ) ) - min_r ) / ( max_r - min_r ) - 0.5 ) ;
emb2( ii , 1 ) = emb1( ii , 1 ) ;
emb2( ii , 2 ) = 0.5*emb2( ii - round( period( ii ) / 4 ) , 1 ) + 0.5*emb2( ii - round( period( ii ) / 4 ) + 1 , 1 ) ;
emb2( ii , 3 ) = emb2( ii - round( period( ii ) / 2 ) , 1 ) ;
## periods 9 13 17 21 25 29 33 37 41 45 49
elseif ( rem( period( ii ) , 2 ) == 1 && rem( period( ii ) , 4 ) == 1 )
emb1( ii , 1 ) = 2 * ( ( price_smooth( ii ) - min_r ) / ( max_r - min_r ) - 0.5 ) ;
emb1( ii , 2 ) = 2 * ( ( ( 0.75*price_smooth( ii - round( period( ii ) / 4 ) ) + 0.25*price_smooth( ii - round( period( ii ) / 4 ) - 1 ) ) - min_r )...
/ ( max_r - min_r ) - 0.5 ) ;
emb1( ii , 3 ) = 2 * ( ( ( 0.5*price_smooth( ii - round( period( ii ) / 2 ) ) + 0.5*price_smooth( ii - round( period( ii ) / 2 ) + 1 ) ) - min_r )...
/ ( max_r - min_r ) - 0.5 ) ;
emb2( ii , 1 ) = emb1( ii , 1 ) ;
emb2( ii , 2 ) = 0.75*emb2( ii - round( period( ii ) / 4 ) , 1 ) + 0.25*emb2( ii - round( period( ii ) / 4 ) - 1 , 1 ) ;
emb2( ii , 3 ) = 0.5*emb2( ii - round( period( ii ) / 2 ) , 1 ) + 0.5*emb2( ii - round( period( ii ) / 2 ) + 1 , 1 ) ;
## periods 11 15 19 23 27 31 35 39 43 47
elseif ( rem( period( ii ) , 2 ) == 1 && rem( period( ii ) , 4 ) == 3 )
emb1( ii , 1 ) = 2 * ( ( price_smooth( ii ) - min_r ) / ( max_r - min_r ) - 0.5 ) ;
emb1( ii , 2 ) = 2 * ( ( ( 0.75*price_smooth( ii - round( period( ii ) / 4 ) ) + 0.25*price_smooth( ii - round( period( ii ) / 4 ) + 1 ) ) - min_r )...
/ ( max_r - min_r ) - 0.5 ) ;
emb1( ii , 3 ) = 2 * ( ( ( 0.5*price_smooth( ii - round( period( ii ) / 2 ) ) + 0.5*price_smooth( ii - round( period( ii ) / 2 ) + 1 ) ) - min_r )...
/ ( max_r - min_r ) - 0.5 ) ;
emb2( ii , 1 ) = emb1( ii , 1 ) ;
emb2( ii , 2 ) = 0.75*emb2( ii - round( period( ii ) / 4 ) , 1 ) + 0.25*emb2( ii - round( period( ii ) / 4 ) + 1 , 1 ) ;
emb2( ii , 3 ) = 0.5*emb2( ii - round( period( ii ) / 2 ) , 1 ) + 0.5*emb2( ii - round( period( ii ) / 2 ) + 1 , 1 ) ;
endif
endfor ## end of embedding features creation
feature_peak = emb2 * [ 1 0 ; -1 1 ; 0 -1 ] * [ 1 ; 1 ] ;
feature_trough = zeros( size( feature_peak ) ) ;
ix = find( feature_peak < 0 ) ;
feature_trough( ix ) = abs( feature_peak( ix ) ) ;
feature_peak( feature_peak <= 0 ) = 0 ;
## https://stats.stackexchange.com/questions/132652/how-to-determine-which-distribution-fits-my-data-best
## Weibull distribution with shape = 219.68 and scale = 1.94 for turn +/- 1 bar
## Weibull distribution with shape = 85.88 and scale = 1.84 for turn +/- 2 bar
## This comes from bayesian testing of cutoff value of feature_peak/feature_trough for highs/lows +/- 1 bar.
## The function used to get these values is "bayes_train_cyclic_turn_prob_of_embedding.m" which calls
## "bayes_optim_of_cyclic_embedding_conv_function" in /home/dekalog/Documents/octave/turning_points
scale = 1.84 ; shape = 85.88 ;
prob_matrix = zeros( size( feature_peak , 1 ) , 3 ) ;
prob_matrix( : , 1 ) = wblcdf( feature_peak , scale , shape ) ;
prob_matrix( : , 2 ) = wblcdf( feature_trough , scale , shape ) ;
prob_matrix( : , 3 ) = 1 .- sum( prob_matrix( : , 1 : 2 ) , 2 ) ;
endfunction
yang mana lagi-lagi merupakan sebuah pekerjaan yang masih dalam proses.
Ini mengambil input berupa harga dan vektor periode dan menghasilkan fitur sesuai plot pada posting tau siklik ideal yang ditautkan di atas ditambah matriks probabilitas untuk aksi harga berada pada siklus tinggi/rendah. Matriks ini adalah hasil dari Monte Carlo Optimasi Bayesian atas harga gelombang sinus ideal untuk mendapatkan nilai batas untuk fitur turunan dalam fungsi di atas. Distribusi probabilitas yang digunakan untuk matriks probabilitas ini adalah Distribusi Weibull, yang telah ditentukan dengan mengikuti rutinitas yang diuraikan dalam ini “bagaimana menentukan distribusi mana yang paling sesuai dengan data saya” posting forum dan menggunakan Perangkat lunak statistik R platform.
Nilai yang dikodekan secara keras untuk batas dalam kode di atas berasal dari hasil pengoptimalan pada gelombang sinus murni. Saat saya menulis posting ini, ada rutinitas pengoptimalan yang berjalan pada gelombang sinus dengan 20 db kebisingan menambahkan.
Akan ada informasi lebih lanjut pada waktunya.
