ZZ의 최소 무릎 크기를 조정하고(스캘핑의 이유 내에서) 무릎의 합을 관찰하기 시작했습니다.
스캘핑에 적합한 범위는 어느 정도인가요? 에서... 에서?
EURUSD의 경우 0.00200에서 막대가 있고 무언가가 벌기 시작합니다. 그러나 위에서 설명한 조정이있을까봐 두렵습니다. 즉, 훈련을위한 창을 2-10 % 이동하는 것만으로 망칠 수있는 OOS의 최상의 변형 (즉, 2-10 %의 라인이 다르기 때문에 결과적으로 트리가 다르게 구축되고 OOS가 완전히 다르고 수익성이없는 경우까지).
어떤 유용한 특성이 유지/상실되는지 스스로에게 질문해 보세요. 저는 전환을 통해 이러한 질문에 대한 답을 얻었습니다.
제가 변환을 올바르게 이해했다면
증분을 취한 다음 증분의 인덱스를 임의로 선택하고 그대로 두거나 반전(x/-1)합니다.
구조가 분명한 추상적인 수열을 예로 들어 보겠습니다.
변환을 적용합니다.
구조가 보존되지 않고 무작위에서 무작위로... 그냥 무작위입니다.
전혀 시뮬레이션이라고 생각하지 않습니다...
여기 코드가 있습니다.
par(mar=c(2,2,2,2),mfrow=c(3,2))
r <- rep( c(1:10,10:1) ,3)
r |> plot(t="l",main = "начальный ряд с какой то закономерностью")
rd <- c(0,diff(r))
for(i in 1:5) {
sa <- sample(1:length(rd),size = length(rd)/2)
rd[sa] <- rd[sa]/-1
rd |> cumsum() |> plot(t="l", main = "ваше преобразование")
}
구조에 관해서는 이 방법은 구조의 기반이 되는 큰 수의 법칙을 기반으로 합니다. 수천만 개의 원본 데이터가있는 경우에 정확히 맞습니다.
나는 나 자신을 칭찬하고 싶지는 않지만 시간, 확산, 절대 증가 (결과적으로 팻 테일, 비 고정성, 상관 관계 등)와 같은 틱과 같은 강력한 불변수가있는 작업이 있는지 의심 스럽습니다. 즉, 1억 개의 입력 데이터 불변수가 존재합니다. 모델의 통계적 특성이 "100"인 것과는 비교할 수 없습니다.
이러한 무작위 추출의 독특한 특징에도 불구하고, 우리가 다루고 있는 것이 무작위 추출인지 현실인지에 대한 질문에 명백하게 답하는 테스트가 즉시 발견되었습니다.
여기서 논쟁이나 논쟁의 여지가 없습니다. SB와 현실 사이의 차이뿐만 아니라 원래 시리즈와 무작위 배정 사이의 미묘한 차이도 입증되었습니다. 그 값은 반대 예시에 있습니다.
멋진 아이디어입니다! 나는 그것을 사용하는 방법을 알아 내야합니다 😆 본질적으로 동일한 세션 특성, 실제와 동일한 변동성을 가진 가격 BP로 밝혀졌지만 고정되어 있습니다. 일정한 기대 메이트와 겉보기에 일정한 분산이 있습니다. 그리고 꼬리는 가우스입니다. 동시에 평균 수익은 총 스프레드에서 0을 뺀 값입니다.
모두 숫자와 변환입니다 WRC와 관련이 없다는 게 무슨 뜻이죠? 그냥 숫자일 뿐입니다....
어떤 유용한 특성이 유지되거나 손실되는지 스스로 답해 보세요. 저는 변환으로 그 질문에 답했습니다.
그리고 비트레이트란 무엇인가요?
정보 흐름의 폭(네트워크 맥락에서)입니다.
ZZ의 최소 무릎 크기를 조정하고(스캘핑의 이유 내에서) 무릎의 합을 관찰하기 시작했습니다.
스캘핑에 적합한 범위는 어느 정도인가요? 에서... 에서?
EURUSD의 경우 0.00200에서 막대가 있고 무언가가 벌기 시작합니다. 그러나 위에서 설명한 조정이있을까봐 두렵습니다. 즉, 훈련을위한 창을 2-10 % 이동하는 것만으로 망칠 수있는 OOS의 최상의 변형 (즉, 2-10 %의 라인이 다르기 때문에 결과적으로 트리가 다르게 구축되고 OOS가 완전히 다르고 수익성이없는 경우까지).
ZЫ 일반적으로 두 행 간의 차이점을 찾으려는 관심이 있는 경우 이를 제공할 수 있습니다.
데이터에 대한 실제 훈련 데이터 세트(적합도 및 타겟)에 관심이 있습니다. 내 접근 방식으로 스캘핑을 통해 얼마나 많은 수익을 올릴 수 있는지 확인하기 위해서입니다.
어떤 유용한 특성이 유지/상실되는지 스스로에게 질문해 보세요. 저는 전환을 통해 이러한 질문에 대한 답을 얻었습니다.
제가 변환을 올바르게 이해했다면
증분을 취한 다음 증분의 인덱스를 임의로 선택하고 그대로 두거나 반전(x/-1)합니다.
구조가 분명한 추상적인 수열을 예로 들어 보겠습니다.
변환을 적용합니다.
구조가 보존되지 않고 무작위에서 무작위로... 그냥 무작위입니다.
전혀 시뮬레이션이라고 생각하지 않습니다...
여기 코드가 있습니다.
오히려 데이터에 대한 실제 학습 데이터 세트(FIC 및 타겟)에 관심이 있습니다. 제 접근 방식으로 스캘핑을 통해 얼마나 많은 수익을 올릴 수 있는지 알아보기 위해서입니다.
가장 높은 잠재 수익에 따라 과거 데이터의 브로커를 선택합니다. 예를 들어 EURUSD_Broker1이 EURUSD_Broker2보다 잠재 수익이 더 높습니다. 그런 다음 EURUSD_Broker1을 선택합니다.
메이저와 크로스 모두 스캘핑이 가능합니다. 하지만 전부는 아닙니다. 각각에 대해 훈련하고 결과를 확인하십시오. 대략적으로 말하면 이것이 제가 하는 일입니다.
전환을 올바르게 이해했다면
를 사용하면 증분을 취한 다음 증분의 인덱스를 임의로 선택하고 그대로 두거나 (x/-1) 반전합니다.
제 변환을 완전히 정확하게 이해하셨습니다.
이제 구조(규칙성)가 분명한 추상적인 수열을 예로 들어 보겠습니다.
제 변형을 완전히 정확하게 이해하셨습니다.
변환이 너무 간단해서 그래프 없이도 단조롭게 증가하는 가격까지 무엇이든 얻을 수 있다는 것이 분명합니다.그렇다면 시뮬레이션으로 간주 할 수 없습니다,
기존의 모든 트렌드를 파괴했다는 사실을 깨달아야 합니다,
DEM의 구조 자체를 파괴했다는 사실을 깨달아야 합니다.
그렇다면 시뮬레이션으로 간주할 수 없습니다,
기존의 모든 트렌드를 거스르고 있다는 사실을 깨달아야 합니다,
DEM의 구조도요.
다른 대안들보다 훨씬 덜 파괴했다고 확신합니다. 하지만 그 정도면 충분했습니다.
구조에 관해서는 이 방법은 구조의 기반이 되는 큰 수의 법칙을 기반으로 합니다. 수천만 개의 원본 데이터가있는 경우에 정확히 맞습니다.
나는 나 자신을 칭찬하고 싶지는 않지만 시간, 확산, 절대 증가 (결과적으로 팻 테일, 비 고정성, 상관 관계 등)와 같은 틱과 같은 강력한 불변수가있는 작업이 있는지 의심 스럽습니다. 즉, 1억 개의 입력 데이터 불변수가 존재합니다. 모델의 통계적 특성이 "100"인 것과는 비교할 수 없습니다.
이러한 무작위 추출의 독특한 특징에도 불구하고, 우리가 다루고 있는 것이 무작위 추출인지 현실인지에 대한 질문에 명백하게 답하는 테스트가 즉시 발견되었습니다.
여기서 논쟁이나 논쟁의 여지가 없습니다. SB와 현실 사이의 차이뿐만 아니라 원래 시리즈와 무작위 배정 사이의 미묘한 차이도 입증되었습니다. 그 값은 반대 예시에 있습니다.
흥미로운 무작위 생성 결과가 나온 것 같습니다.
멋진 아이디어입니다! 나는 그것을 사용하는 방법을 알아 내야합니다 😆 본질적으로 동일한 세션 특성, 실제와 동일한 변동성을 가진 가격 BP로 밝혀졌지만 고정되어 있습니다. 일정한 기대 메이트와 겉보기에 일정한 분산이 있습니다. 그리고 꼬리는 가우스입니다. 동시에 평균 수익은 총 스프레드에서 0을 뺀 값입니다.
다른 대안보다 훨씬 적게 파괴했다고 확신합니다. 하지만 그 정도면 충분했습니다.
이 방법을 과대 평가하는 것 같습니다. 제가 뭔가 놓친 것 같습니다.