Overlap Studies 重叠研究指标BBANDS Bollinger Bands 布林带
DEMA Double Exponential Moving Average 双指数移动平均线
EMA Exponential Moving Average 指数移动平均线
HT_TRENDLINE
转载
2024-06-28 10:20:34
152阅读
1策略思路短期均线灵敏度高，更贴近价格走势，但是会有很多噪音，产生大量的虚假信号；长期均线在趋势判断上比短期均线更加可靠，但是长期均线有着严重的滞后问题。 那么我们用考夫曼自适应性移动平均线（KAMA）来代替短期均线，用短期均线与长期均线的相对位置关系，和相对强弱指标形成买卖依据。 考夫曼自适应均线KAMA的计算公式及原理： 方向 = 价格 - n 日前价格 波动率=sum(abs(价格-上一个
转载
2023-12-24 09:36:08
1148阅读
1、原理 有监督分类算法，核心思想是判断一个新的值x的时候，根据它距离最近的K个点是什么类别来判断x属于哪个类别。关键是k的选取以及距离的度量。2、距离选择 p=1是曼哈顿距离 ，对应于L1范数 &
简介自适应移动平均线AMA是由美国数量金融投资家佩里·J·考夫曼（Perry J. Kaufman）发明的。我们都知道，大多数类型的移动平均线仅是通过价格简单构造出来的，而自适应移动平均线AMA却非常不同，该指标不仅考虑了价格因素，还考虑了市场中价格的波动性，这也是它与传统均线之间最大的差别。该指标的发明者佩里·J·考夫曼目前是全球最为著名的量化投资专家之一，著有众多畅销书籍，包括《精明交易者：系
转载
2023-11-02 08:42:09
1185阅读
哈夫曼编码测试班级： 1823
姓名：张景昊
学号：20182328
实验教师：王志强
实验日期：2019年11月22日
必修/选修： 必修1.实验内容设有字符集：S={a,b,c,d,e，f,g,h,i,j,k,l,m,n.o.p.q,r,s,t,u,v,w,x,y,z}。
给定一个包含26个英文字母的文件，统计每个字符出现的概率，根据计算的概率构造一颗哈夫曼树。
并完成对英文文件的编码和解码。
转载
2024-08-15 02:11:52
34阅读
# 考夫曼均线（Kaufman Adaptive Moving Average）科普文章
在金融时间序列分析中，移动平均线是常用的平滑工具之一。为了更好地适应市场的波动，考夫曼均线（Kaufman Adaptive Moving Average，简称KAMA）应运而生。它是由艾尔文·考夫曼提出的一种自适应移动平均线，根据市场的波动性动态调整其平滑参数，与传统的简单移动平均线（SMA）相比更具灵活
策略1（原文的策略）： 取10天作为计算ER的参数，计算AMA时的过程见上篇 自适应均线拐头向上时按照收盘价买入； 自适应均线拐头向下时按照收盘价卖出。用本次ama减去上次的ama的正负来判断均线的走势，针对可能出现的错误信号加入一个安全垫，安全垫的公式如下：Filter =percentage * stdev( ama
转载
2024-01-29 06:52:37
149阅读
均线是个人最喜欢、常用的指标之一，当然不是仅仅用做普通的均线交叉这样的做法。众所周知，均线的一个特点就是它是具有滞后性，其最典型的体现就是用均线交叉，这个特性无法避免，因为均线是行情出来才画出来的，肯定具有滞后。如果单单只是用均线交叉进场的话，效果是非常不好。我想现在应该没人会单纯用均线交叉进出场了吧。均线交叉现在可能只作为一些人做系统研究回测的时候用，至于是否有效，有的人说可以盈利，有的说不可以
自适应卡尔曼滤波（adaptive kalman filter）是指利用观测数据校验预测值完成更新的同时，判断系统本身特性是否发生动态变化，从而对模型参数和噪声特性进行估计和修正，以改进滤波设计、缩小滤波的实际误差。KF 通过kalman理论认知，已知其预测更新的精度和准确性的保证都是基于协方差，通过设计的状态更新矩阵及伴随预测误差Q得到预测状态量和协方差x’,P’，从而基于观测值及伴随的观测误差
转载
2024-01-12 16:33:53
356阅读
AEKF_SOC_Estimation函数使用二阶RC等效电路模型（ECM）和自适应扩展卡尔曼滤波器（AEKF）估计电池的端电压（Vt）和充电状态（SOC）。该函数将以下内容作为输入： · 电流(A)· 电压(V)· 温度(℃)该函数的输出为：· 估计SOC· 估计电压Vt· 电压Vt误差function [SOC_Estimated, Vt_Estimated, Vt_Err
目录一、衰减记忆法二、限定记忆法小结 几乎任何递推和迭代算法都有发散的可能，卡尔曼滤波也不例外。造成卡尔曼滤波发散的原因无外乎以下两点： 状态方程描述的动力学模型不准确，或者噪声的统计模型不准确，这样会使模型和量测值不匹配，导致发
转载
2023-08-04 11:44:02
299阅读
自适应卡尔曼滤波（Adaptive Kalman Filtering）是一种用于估计系统状态的滤波器。它通过结合测量值和系统模型，能够对系统的状态进行更准确的估计。在实际应用中，自适应卡尔曼滤波常用于目标跟踪、导航和控制等领域。
下面我们将使用Python来实现一个简单的自适应卡尔曼滤波器，并对其进行科普。
## 1. 卡尔曼滤波器简介
卡尔曼滤波器是一种最优滤波器，它基于状态空间模型和高斯
原创
2023-09-28 08:44:32
502阅读
自适应卡尔曼滤波的多种形式在卡尔曼滤波量测更新过程中，按照平差中的数学模型分为函数模型和随机模型，那么动力学方法和观测方程均为函数模型，P和R矩阵的确定则为随机模型的建立。对于P矩阵来说，其核心思想在于重用当前时刻观测值。在融合初始化过程中，我们会对P矩阵进行初始化，之后随状态更新和量测更新而更新，一旦预测状态或者观测值突然出现问题，经验随机模型无法描述这种误差。因此，研究者们提出了自适应滤波，使
转载
2023-10-27 17:05:43
492阅读
Deepsort前身是SORT，全称为Simple Online and Realtime Tracking，中文名为简单在线实时追踪。SORT的的基本思想为用Faster R-CNN检测框检测出人所在的位置，用卡尔曼滤波预测出人所在的位置，最后对这两处检测结果用匈牙利算法做IOU匹配，IOU
转载
2024-09-05 12:36:54
80阅读
作为一名机器学习中的小白，参数估计方法的学习必不可少，本着边学习边记录的原则，并参考一些其他博客或资源，作为打开我开始机器学习的第一扇门。先说说统计学中的两大派别：频率派和贝叶斯学派。频率派认为：参数是客观存在的，不会改变，虽然未知，但却是固定值。——似然函数贝叶斯学派认为：参数是随机值，虽没有观察到，但和随机数一样，也有自己的分布。——后验概率，贝叶斯估计在学习参数估计方法前，我觉得还是有必要复
关于哈夫曼树怎么构建的、哈夫曼编码怎么求，请参考哈夫曼树及python实现
这些基础的东西就不在这里阐述了，本文直接上代码。参考链接：哈夫曼树的 Python 实现哈夫曼树的构建和编码'''
huffman编码
'''
import copy
class Node:
def __init__(self, name, weight):
self.name = nam
转载
2023-06-26 15:12:02
172阅读
哈夫曼树步骤： 第一步：找出字符中最小的两个，小的在左边，大的在右边，组成二叉树。在频率表中删除此次找到的两个数，并加入此次最小两个数的频率和。 然后重复第一步。一、代码#include <stdio.h>
#include <stdlib.h>
#include <string.h>
typedef double DataType; //结点权值的数据类型
转载
2023-10-27 11:07:37
99阅读
1) 用于最佳判断过程。 在考查课记分时往往把百分制转换成优（ x>=90 ）、良 (80<x<90) 、中 (70<=x80) 、及格 (60<=x<70) 、不及格 (x<60) 五个等级。若不考虑学生考试分数的分布概率，程序判定过程很容易写成图 6.23(a) 所示的方法。我们知道，一般来讲学生考分大多分布在 70 至 80 分之间，从图 6.2
首先，我先假设你已经有了二叉树的相关知识，主要就是概念和遍历方式这些点。如果没有这些知识储备，可能理解起来会比较困难。好了，废话不多说。 哈夫曼树原理秉着能不写就不写的理念，关于哈夫曼树的原理及其构建，还是贴一篇博客吧。。（这篇博客关于哈夫曼树及其编码的原理讲的还行，简洁易懂，因为哈夫曼树原理本来就挺简单的）。其大概流程 哈夫曼编码代码 # 树节点类构
转载
2023-10-24 13:55:31
59阅读
#include<iostream>
using namespace std;
#pragma warning (disable:4996)
#define maxSize 100
/*赫夫曼树的存储结构，它也是一种二叉树结构，这种存储结构既适合表示树，也适合表示森林。*/
typedef struct Node
{
int weight; //权值
转载
2024-01-12 06:45:00
69阅读
