Analice las características ESTADÍSTICAS más importantes del patrón y elija un método para operar con él. - página 3
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
También puedes utilizar los percentiles, es más fácil de calcular, necesitas más datos para que no haya sorpresas...
Le dio instrucciones sobre dónde cavar). Aunque, hay mucho que puedes hacer....
Voy a leer sobre los percentiles, gracias )
Algo me dice que las probabilidades serán cercanas al 50%. :)
¿Qué es? ¿Cuál es la sensación?
Probablemente la experiencia. :)
Oh, cuántos descubrimientos maravillosos
El espíritu de la iluminación
Y Experiencia, [hijo de] errores difíciles,
Y Genio, [paradojas] amigo,
[y el azar, el dios de la invención]
Busca el indicador de mi vecino más cercano en el código base. El método es bastante sencillo. Se establece la longitud del patrón actual, se buscan patrones similares en el historial (por ejemplo, se utiliza la correlación como distancia entre patrones), se predice el comportamiento futuro de los precios a partir de patrones pasados ponderando sus predicciones individuales. Esto es esencialmente lo mismo que la agrupación, o RBF, o SVM, o GRNN. Todo depende de cómo se mida la distancia entre la pauta actual y las pautas anteriores similares. Lea sobre GRNN y Bayes. Allí la teoría de la predicción se describe en términos de distribuciones estadísticas. Se ha escrito mucho sobre GRNN y los métodos de predicción mencionados anteriormente y todo se reduce a una simple fórmula:
predicción y = SUM y[k]*exp(-d[k]/2s^2) / SUM exp(-d[k]/2s^2)
donde y[k] es el k-ésimo patrón pasado, d[k] es la distancia del k-ésimo patrón al patrón actual. Si las distancias tienen una distribución gaussiana, entonces d[k] = (x - x[k])^2. Para una distribución arbitraria (supergaussiana), d[k] = |x - x[k]|^p, donde se elige p dependiendo de si se quiere dar más peso a los vecinos más cercanos (p grande), o dar a todos los vecinos casi el mismo peso (p pequeño) como en el socialismo. Con p=0, tenemos el socialismo total.
Tras conocer los vecinos más cercanos y el GRNN, surge la siguiente pregunta obvia. Cómo medir la distancia entre el patrón actual y los patrones pasados si se tienen en cuenta las distorsiones del eje temporal (es decir, los patrones pasados pueden parecerse al patrón actual pero estirados o comprimidos en el tiempo). Aquí es donde radica el problema.
Aquí es donde radica el problema.
Ya me he comido ese perro, la cuestión es diferente ahora. Tal vez no sea del todo correcto :)
Pero sus publicaciones son muy interesantes, gracias, voy a echar un vistazo
si se tiene en cuenta la distorsión del eje temporal (es decir, los patrones pasados pueden parecerse al patrón actual, pero están estirados o comprimidos en el tiempo). Aquí es donde está enterrado el perro.
Como consecuencia de esta afirmación - este perro no se descubre por el momento sólo debido a las limitaciones de los recursos informáticos.
Esto parece una contradicción: si tienes tantos recursos computacionales como necesitas, cualquier perro puede ser descubierto. Al igual que, la solución de cualquier problema depende únicamente de la cantidad de recursos computacionales disponibles.
En general, la lógica es, por decirlo suavemente, extraña. Por lo tanto, cuando dicen "el perro está enterrado allí", quejándose indirectamente de la insolubilidad computacional en este momento, podemos decir con seguridad que no hay ningún perro allí.
Como consecuencia de esta afirmación - este perro no está actualmente desbloqueado sólo por las limitaciones del número de recursos computacionales.
Esto parece ser una contradicción: si hay tantos recursos computacionales como hay, entonces cualquier perro puede ser desbloqueado. Al igual que, la solución de cualquier problema depende sólo de la cantidad de recursos computacionales disponibles.
En general, la lógica es, por decirlo suavemente, extraña. Por lo tanto, cuando dicen "el perro está enterrado allí", quejándose indirectamente de la insolubilidad computacional en este momento, podemos decir con seguridad que no hay ningún perro allí.
Todo se hace mediante transformaciones afines... y requiere recursos mínimos... con el enfoque adecuado
Todo se hace a través de transformaciones afines... y requiere recursos mínimos... con el enfoque adecuado
El grial no funcionó: ¡el enfoque no era lo suficientemente competente!
¿Por qué se ha hecho tan popular esta afirmación?
El grial no funcionó: ¡el enfoque no era lo suficientemente competente!
¿Por qué se hizo tan popular esta afirmación?
Bueno, el diablo siempre está en los detalles... no es el Grial lo que se necesita, pero al menos algo útil :)
el problema es que la gente no sabe lo que hace, creo... y para qué
predicción y = SUM y[k]*exp(-d[k]/2s^2) / SUM exp(-d[k]/2s^2)
donde y[k] es el k-ésimo patrón pasado, d[k] es la distancia del k-ésimo patrón al patrón actual. Si las distancias tienen una distribución gaussiana, entonces d[k] = (x - x[k])^2. Para una distribución arbitraria (súper gaussiana), d[k] = |x - x[k]|^p, donde se elige p dependiendo de si se quiere dar más peso a los vecinos más cercanos (p grande), o dar a todos los vecinos casi el mismo peso (p pequeño) como en el socialismo. Con p=0, tenemos el socialismo total.
Tras conocer los vecinos más cercanos y el GRNN, surge la siguiente pregunta obvia. Cómo medir la distancia entre el patrón actual y los patrones pasados si se tienen en cuenta las distorsiones del eje temporal (es decir, los patrones pasados pueden parecerse al patrón actual pero estirados o comprimidos en el tiempo). Aquí es donde radica el problema.