La théorie des flux aléatoires et le FOREX - page 14
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Eh bien, à mon avis, c'est une déclaration trop rigide. En fait, il n'existe pas d'études qui donnent des statistiques sur la durée de vie des modèles. En outre, il n'existe pas de données sur la quantité d'informations (= temps de latence) nécessaire pour reconnaître le modèle. Même ceux qui introduisent et utilisent ces modèles préfèrent ne pas mener de telles études ou ne pas les publier. Évidemment, on estime que si la stratégie a un mo positif, alors le modèle est reconnu avant que les probabilités ne soient égalisées.
Et il existe de telles stratégies, des stratégies vivantes. Regardez mieux. Son EA fait en fait ce que je voulais implémenter dans le mien - il reconnaît les points de pivot et entre au début d'une vague. Et ça bouge aussi bien vers le haut que vers le bas. Ici vous avez une prévision et avant la reconnaissance.
...
Nous devons donc évaluer clairement les ressources en termes de mémoire et de temps de cycle de calcul. Sinon, nous pouvons obtenir un cycle de calcul de 5 à 10 heures. Quelles nouvelles alors ? On ne les laisse jouer que pendant des jours ou des semaines. :-)
Bien sûr, il s'agit en fait d'une hypothèse et elle n'est pas basée sur des statistiques (qui ne peuvent pas être un argument pour de telles affirmations car un seul exemple suffit à les réfuter) mais sur des considérations systémiques, c'est-à-dire des considérations d'équilibre. Mais le conseiller deBetter n'est pas non plus un argument : peu de temps d'observation. Cependant, pour nous, les donateurs sans argent (et il y a peu de milliardaires parmi nous :), il y a une bonne nouvelle : le fait que nos actions n'affectent en rien le marché par des ordres de grandeur simplifie la tâche. Sauf quand notre modèle coïncide avec celui d'une des baleines :)
Le problème du volume des calculs sera résolu par la création d'un cluster, je pense que pour le travail sur la stratégie prête il ne sera pas un problème de recruter des participants. On peut espérer qu'un ordinateur puisse gérer un seul filtre.
La bonne nouvelle est que nos actions n'affectent pas le marché par ordre de grandeur, ce qui simplifie la tâche. Sauf quand notre modèle coïncide avec une des baleines :)
Le problème de la quantité de calcul peut être résolu en mettant en place un cluster, je pense que ce ne sera pas un problème de recruter des participants pour travailler sur une stratégie toute faite. Et un ordinateur peut, espérons-le, gérer un seul filtre.
Je me demande en quoi le fait que "nos actions n'ont aucun impact sur le marché" simplifie la tâche "d'un ordre de grandeur" ? Il me semble que c'est le contraire. Si nos actions avaient un impact sur le marché (dans un sens souhaitable), cela permettrait non seulement de simplifier, mais aussi d'éliminer le problème. :-) Et nous n'aurions pas besoin de robots à ce moment-là.
Quant à la grappe, vous m'avez contrarié. Je pense que même mon implication personnelle ne sauvera pas la situation. Il n'y a que 8 milliards de personnes sur Terre, et probablement plus d'ordinateurs. Comment diable pouvez-vous faire un cluster si vous avez 10-100 milliards de filtres à calculer ? :-)))
D'une manière souhaitable ? Dès que nos actions commencent à affecter sensiblement le marché, le marché commence à travailler contre nous personnellement. Y compris les banques centrales et les agences de renseignement. Soros a réussi en son temps en tant qu'action ponctuelle, et vous voulez avoir un modèle qui vous permet de pomper tout l'argent du monde ? Eh bien, disons que ça marche. Et qui aura besoin de l'argent après cela ? :)
D'un point de vue purement technique, toutes les constantes vont se transformer en variables.
Avec un milliard de participants, l'approximation de l'absence de retour ne fonctionnera plus. Et 100 n'est pas un chiffre inatteignable.
Калмановская фильтрация
Introduction
Actuellement, les filtres adaptatifs sont largement utilisés dans lesquels les nouvelles informations entrantes sont utilisées pour la correction continue d'une estimation du signal faite précédemment (poursuite de cible en radiolocalisation, systèmes de contrôle automatique, etc.) Les filtres adaptatifs récursifs, connus sous le nom de filtres de Kalman, présentent un intérêt particulier.
Ces filtres sont largement utilisés dans les boucles de contrôle des systèmes de régulation et de commande automatiques. C'est là leur origine, ce dont témoigne une terminologie aussi spécifique que celle de l'espace d'état utilisée pour décrire leur fonctionnement.
La tâche d'estimation des paramètres
L'une des tâches de la théorie de la décision statistique d'une grande importance pratique est l'évaluation des vecteurs d'état et des paramètres des systèmes, formulée comme suit : supposons que nous devions évaluer la valeur d'un paramètre vectorielX qui n'est pas directement mesurable. Au lieu de cela, on mesure un autre paramètre Z, qui dépend de X. La tâche d'estimation consiste à répondre à la question : que pouvons-nous dire de X en connaissant Z. En général, la procédure d'estimation optimale du vecteur X dépend du critère de qualité adopté pour l'estimation. Par exemple, une approche bayésienne de la tâche d'estimation des paramètres nécessite des informations a priori complètes sur les propriétés probabilistes du paramètre estimé, ce qui est souvent impossible. Dans ces cas, on utilise la méthode des moindres carrés (LSM), qui nécessite beaucoup moins d'informations a priori. Considérons une application de LOC pour le cas où le vecteur d'observation Z est relié au vecteur d'estimation X par un modèle linéaire et qu'il existe une interférence V, non corrélée avec le paramètre estimé :
où H est une matrice de transformation décrivant la relation entre les valeurs observées et les paramètres estimés.
L'estimation X minimisant le carré de l'erreur s'écrit comme suit :
Supposons que la perturbation V soit non corrélée, auquel cas la matrice RV est simplement une matrice unitaire, et l'équation de l'estimation devient plus simple :
Problème de filtrage
Contrairement au problème de l'estimation des paramètres qui ont des valeurs fixes, dans le problème du filtrage, nous devons évaluer des processus, c'est-à-dire trouver des estimations actuelles d'un signal variable dans le temps déformé par des interférences, et donc indisponible pour une mesure directe. En général, le type d'algorithmes de filtrage dépend des propriétés statistiques du signal et de l'interférence. Supposons que le signal utile soit une fonction à variation lente du temps et que l'interférence soit un bruit non corrélé. Nous utiliserons la méthode des moindres carrés, toujours en raison du manque d'informations a priori sur les caractéristiques de probabilité du signal et de l'interférence.
Essentiellement, nous avons mis en œuvre un processus d'estimation paramétrique basé sur un modèle autorégressif du processus de génération du signal.
La formule 3 est facilement mise en œuvre de manière programmatique en remplissant la matrice H et le vecteur colonne d'observation Z. De tels filtres sont appelés filtres à mémoire finie car ils utilisent les k dernières observations pour obtenir l'estimation courante Xpoc. À chaque nouveau cycle d'observation, une nouvelle observation est ajoutée à l'ensemble actuel d'observations et l'ancienne est rejetée. Ce processus d'obtention d'estimations est appelé fenêtre glissante.
Filtres à mémoire croissante
Les filtres à mémoire finie présentent un inconvénient majeur : après chaque nouvelle observation, un nouveau calcul complet de toutes les données stockées doit être effectué. En outre, le calcul des estimations ne peut être lancé qu'après avoir accumulé les résultats des k premières observations. C'est-à-dire que ces filtres ont un long temps de processus transitoire. Pour résoudre cet inconvénient, nous devons passer d'un filtre à mémoire permanente à un filtre à mémoire croissante. Dans un tel filtre, le nombre de valeurs observées utilisées pour l'estimation doit coïncider avec le nombre n de l'observation courante. Ceci permet d'obtenir des estimations à partir d'un nombre d'observations égal au nombre de composantes du vecteur estimé X. Et cela est déterminé par l'ordre du modèle adopté, c'est-à-dire par le nombre de termes de la série de Taylor utilisés dans le modèle. En même temps, avec l'augmentation de n, les propriétés de lissage du filtre sont améliorées, c'est-à-dire que la précision des estimations est accrue. Cependant, la mise en œuvre directe de cette approche est liée à des coûts de calcul croissants. Par conséquent, les filtres à mémoire croissante sont mis en œuvre comme des filtres récurrents.
Un filtre à mémoire croissante présente une caractéristique importante : si l'on regarde la formule 6, l'estimation finale est la somme du vecteur d'estimation prédit et du terme de correction. Cette correction est importante pour les petits n et diminue à mesure que n augmente, tendant vers zéro pour . C'est-à-dire qu'à mesure que n augmente, les propriétés de lissage du filtre s'accroissent et le modèle qui lui est inhérent commence à dominer. Mais le signal réel ne peut s'adapter au modèle que dans des zones distinctes, de sorte que la précision de la prédiction se dégrade. Afin de lutter contre ce phénomène, à partir d'un certain n, il est interdit de diminuer davantage le terme de correction. Cela équivaut à un changement de la largeur de bande du filtre, c'est-à-dire qu'à petit n, le filtre est plus large (moins inertiel), à grand n, il devient plus inertiel.
Comparez la figure 1 et la figure 2. Dans la première figure, le filtre a une grande mémoire, avec un bon lissage, mais en raison de la bande passante étroite, la trajectoire estimée est en retard sur la trajectoire réelle. Dans la deuxième figure, le filtre a une mémoire plus petite et est moins lisse, mais suit mieux la trajectoire réelle.
Laissez-nous définir :
2. Supposons qu'il existe une variable aléatoire normalement distribuée avec une espérance nulle et un corrélogramme positif.
Si la série est suffisamment longue, nous pouvons y identifier toute longue période de mouvement directionnel des prix. Appelons une telle tendance une tendance déterministe. Une tendance déterministe peut en principe être détectée à l'aide de filtres numériques passe-bas ou de leurs dérivés. Par exemple, le croisement de deux moyennes mobiles de périodes différentes n'est rien d'autre qu'une approximation de la dérivée d'une série chronologique lissée. Il est clair que cela fonctionne comme le veulent les mathématiques : une dérivée supérieure à zéro signifie que la fonction est croissante, inférieure à zéro signifie que la fonction est décroissante. Mais peu de gens savent que cela ne fonctionne que pour les séries avec un FAC positif, et que TOUTES les séries de devises dans tous les TFs ont un FAC négatif ! Et, par conséquent, la méthode ne fonctionne pas sur le marché ou bien elle fonctionne, mais par accident...
Les principales différences entre une série chronologique et une séquence d'observations formant un échantillon aléatoire sont les suivantes :
- Tout d'abord, contrairement aux éléments d'un échantillon aléatoire, les membres d'une série chronologique ne sont pas indépendants ;
- Deuxièmement, les membres d'une série chronologique ne sont pas nécessairement distribués de manière égale.
On distingue généralement 4 facteurs sous l'influence desquels se forment les valeurs des séries temporelles.
1. Ceux qui forment la tendance générale (à long terme) de l'attribut examiné. Cette tendance est généralement décrite par une fonction non aléatoire (dont l'argument est le temps), généralement monotone. Cette fonction s'appelle une fonction de tendance ou simplement une tendance.
2. Saisonnier, qui forme des fluctuations périodiques de l'attribut analysé à certaines périodes de l'année. Comme cette fonction doit être périodique (avec des périodes multiples des "saisons"), son expression analytique fait intervenir des harmoniques (fonctions trigonométriques) dont la périodicité est généralement déterminée par l'essence du problème.
3. Changements cycliques (conjoncturels) de l'attribut analysé causés par des cycles à long terme de nature économique ou démographique (vagues de Kondratieff, "puits" démographiques, etc.).
4. Aléatoires (irréguliers), qui ne peuvent être comptés et enregistrés. Leur impact sur la formation des valeurs des séries chronologiques est précisément ce qui détermine la nature stochastique des éléments de la série, et donc la nécessité d'interpréter les membres comme des observations faites sur des variables aléatoires. Désignons le résultat de l'impact des facteurs aléatoires par des variables aléatoires ("résidus", "erreurs").
Bien sûr, il n'est pas nécessaire que les quatre types de facteurs soient impliqués simultanément dans le processus de formation des valeurs d'une série temporelle. Les conclusions quant à la participation ou non des facteurs d'un type donné à la formation des valeurs d'une série chronologique particulière peuvent être fondées à la fois sur l'analyse de la partie substantielle du problème et sur une analyse statistique spéciale des séries chronologiques étudiées. Cependant, dans tous les cas, on suppose la participation de facteurs aléatoires. Ainsi, en termes généraux, un modèle de données (avec un schéma structurel additif de l'influence des facteurs) ressemble à une somme de tous ou de certains des facteurs.
Le filtre peut être défini sur n'importe quel processus, pas nécessairement déterministe. Vous pouvez régler le 1er filtre sur (1. Long terme, ....) ; le 2e filtre sur (2. Saisonnier,...) ; le 3e filtre sur (3. Cyclique,...) ; le 4e filtre sur (4. Aléatoire (irrégulier),...) etc.
Je ne vois pas de différence fondamentale dans le fait d'analyser et de décider où circulent les citations et où se déplace le mouvement de l'avion. Un avion peut effectuer un plongeon, un cabre, un serpent, un cobra et . ... tout type de manœuvre à tout moment (au gré du pilote). Et quand il sait que le missile est lancé, croyez-moi, il tourne comme l'enfer dans une poêle à frire.
La tâche des filtres Kalman (pas un seul ! !! filtre pour tous les cas) mais plusieurs. 1 Déterminer - le type de manœuvre et l'heure de son début. 2 Prévoir où l'avion sera dans un certain temps pour l'attaquer le plus efficacement possible (prendre des bénéfices :-)).
Il est donc nécessaire de construire non pas 1 filtre, mais plusieurs, chacun d'entre eux étant ajusté à son modèle (plat, tendance).
La variante la plus simple est un filtre qui fonctionne avec la tendance et un autre avec le plat. L'algorithme du filtre de Kalman dispose d'une procédure qui vous permet de déterminer quel filtre est le meilleur actuellement.
J'espère que vous ne contesterez pas qu'il existe des systèmes qui fonctionnent bien dans une tendance plate mais échouent dans une tendance et vice versa, ils fonctionnent bien dans une tendance mais pas dans une tendance plate. Donc le filtre de Kalman peut vous dire quand vous devez changer.
P.S. Je vais encore essayer de construire un filtre Kalman, de créer différents modèles de mouvements et d'implémenter le TS en fonction de ceux-ci. Le filtre de Kalman a une caractéristique unique que les indicateurs standards n'ont pas, il est capable de prédire + disons que je construis 3 filtres : plat, tendance, gap. À une certaine section, aucun de ces filtres ne fonctionne, j'analyse cette section et je construis le 4e filtre, etc. Pas une recherche stupide de -100 à +100 (percepteur), mais un entraînement significatif du système.à Prival
J'espère que vous n'êtes pas en train de mettre en place une initiative de défense stratégique contre les citations comme réponse aux vautours impérialistes ? :о)))
P.S. Je vais encore essayer de construire un filtre Kalman, de construire différents modèles de mouvements et d'implémenter un TS basé sur ceux-ci. Par exemple, je vais construire 3 filtres : Flat, Trend, Gap. À une certaine section, aucun de ces filtres ne fonctionne, j'analyse cette section et je construis le 4e filtre, etc. Pas une recherche bête de -100 à +100 (percepteur), mais un apprentissage judicieux du système.
Je vous recommande : n'essayez pas trop fort, vous pourriez vous casser la main. Au début, ne construisez qu'un seul filtre, pour le plat ou la tendance. Pendant que vous le faites, vous comprendrez beaucoup de choses sur le Forex, et il sera plus facile de passer à autre chose. Il est particulièrement important de comprendre ce qui suit : aucun vrai trader ne cherche à faire des bénéfices. de toutes les situations. Chacun trouve une liste très limitée pour lui-même et ne travaille que sur ces modèles particuliers.
Si vous parvenez à créer un filtre qui distingue statistiquement une seule situation rentable qui n'est pas trop rare, disons une fois par jour, alors c'est une corne d'abondance dont tout le monde ici rêve.
Prival, le sujet est intéressant, j'ai pris connaissance de vos articles - réflexions judicieuses (bien que je sois convaincu qu'il est préférable de modéliser et de filtrer la trajectoire dans le système de coordonnées cartésiennes, mais ce n'est pas pertinent). Toutefois, une certaine similitude visuelle entre la trajectoire Doppler AFK d'une cible aérienne et le mouvement des prix me semble fortuite et ne mérite pas qu'on y prête attention, car la nature des processus est complètement différente. Les propriétés dynamiques de l'avion et des citations ont, hélas, peu en commun. Un fil de discussion ici a comparé le mouvement des prix à la trajectoire de vol d'une mouche, et non d'un avion. Mais même une mouche n'est pas capable de faire des oies, par exemple.
Dans le même temps, si vous définissez une régression linéaire du prix comme un signal, vous pouvez "attraper" quelques centaines de pips sur une année, ou même zéro - si le coefficient de la régression linéaire est égal à zéro. On peut dire la même chose de la résonance stochastique - nous pouvons détecter une tendance lente au détriment d'une tendance haute fréquence de plus grande amplitude, mais que pouvons-nous en tirer ? Cela dit, il arrive que des mouvements de prix de plusieurs chiffres se produisent en l'espace de deux ou trois jours seulement. Et il peut y avoir des dizaines de mouvements de ce type en un an pour presque chaque paire. Et sur les petites échelles de temps, il peut y avoir des centaines de mouvements d'un demi-figure ou plus en un an, et des milliers de mouvements de 20 pips. La question est donc : avons-nous besoin d'un signal ou d'un bruit ?
De temps en temps, je répète sur le forum ma thèse selon laquelle il est inutile de diviser les prix entre le signal et le bruit. Il s'agit d'une série chronologique décrivant un processus non stationnaire dans un système dynamique non linéaire super-complexe. C'est un scalaire que nous observons comme une mesure généralisée de millions de paramètres primaires. Il n'est pas nécessaire de le diviser en composants - il n'y en a pas. Par conséquent, l'application des méthodes de filtration traditionnelles (elles semblent déjà avoir été discutées sur ce forum à diverses reprises) n'est pas adaptée à la tâche.
Existe-t-il des méthodes adéquates ? Oui, il y en a. A la veille du championnat, sur la suggestion de klot et d'autres participants du forum, je me suis intéressé à l'intelligence artificielle. Le terme, malheureusement, a été bafoué, et certaines publications ici sur le site l'ont même dévalorisé à mes yeux, si bien que pendant longtemps, j'ai ignoré cette théorie "nouvelle". Cependant - non, l'anti-publicité est aussi de la publicité, à un moment donné la propagande de Perceptron a aussi joué un rôle positif en attirant l'attention sur le sujet. Mais après avoir lu la littérature, j'ai vu à quel point la soi-disant "IA faible" a progressé par rapport, par exemple, à il y a trente ans, lorsque j'en ai entendu parler pour la première fois. Plus précisément, à quel point je suis en retard.
J'ai mis en place une grille simple, mais les exemples d'autres Expert Advisors, et surtout le leader actuel Better, montrent que c'est une bonne direction à prendre.
Prival, je ne veux pas vous embrouiller avec votre plan, mais je suis convaincu que vous trouverez beaucoup d'utilité dans l'IA également pour votre activité professionnelle et que vous construirez un TS rentable plus rapidement.
Messieurs, laissez-moi vous donner un conseil. Vous me proposez d'autres moyens de construire mon TS (en donnant des exemples d'IA, de réseaux neuronaux, mais de mon point de vue vous ne les comprenez pas complètement). Ou peut-être pensez-vous que je viens de commencer le Forex (même si je me souviens de l'époque où le spread minimum était de 10-15 pips et que cela semblait être une bénédiction), ou que je n'ai aucune idée de l'IA, des réseaux neuronaux et de l'endroit où les jambes poussent :-).
Je vais maintenant essayer de vous aider à comprendre ce que je veux faire et ce que vous faites, si vous créez un "réseau simple formé".
Pour mieux comprendre, je vous donne le lien, relisez-le et comparez-le avec ce que j'écris ci-dessous (je ne trouve pas la déclaration de klot, malheureusement, peut-être qu'elle y figure aussi).
Comment trouver une stratégie de trading rentable ('How to find a profitable trading strategy')
Trading automatisé inhabituel ("Unusual Automated Trading")
Voici une citation : "Si nous divisons les objets en deux classes : les longs et les courts, et que nous prenons les valeurs des indicateurs ou des oscillateurs de l'analyse technique comme des signes, il nous suffit alors de trouver l'équation du plan et d'essayer de l'utiliser pour l'identification. L'énoncé du problème est clair.
C'est la théorie de la reconnaissance à l'état pur, et les militaires l'utilisent parfaitement bien et depuis longtemps (exemples de classes ("ami - étranger", (chasseur - porteur, etc.). Et voici une tâche plus compliquée que 4 classes (BMP - APC - modèle BMP - modèle APC), essayez de faire avec une seule ligne droite ici :-), divisez tout en 4 classes avec elle.
Les réseaux neuronaux, la fameuse IA, sont nés tout simplement de cette théorie : les gens sont intrinsèquement paresseux et veulent créer un système. Je cite à nouveau :" Dans quelle mesure est-il réaliste d'effectuer des transactions avec succès et confortablement en utilisant la plateforme de trading MT4, sans trop s'encombrer, ce faisant, d'une analyse méticuleuse du marché ? ". Il est très difficile de former un ordinateur à reconnaître un grand nombre de classes et de caractéristiques, c'est pourquoi les réseaux neuronaux (RN) ont été créés. Les NS ont eu quelques succès mais ce n'est pas une panacée, il n'y a pas d'INTELLECT là-dedans. L'élément principal de ces tâches, et le plus important, est le partitionnement en classes et la sélection de caractéristiques pour reconnaître ces classes.
Après avoir lu ce matériel, j'ai l'impression que soit les auteurs ne comprennent pas ce qu'ils font, soit ils nous induisent en erreur en le sachant très bien. Voici un exemple de fragment du code principal.
Si je crée un algorithme de combat qui détermine l'"ami ou l'ennemi" en utilisant comme signe (un indicateur technique Accélération/Décélération (AC)), au mur sera peu (même si je prends en compte l'accélération de l'objet il y a 7, 14 et 21 minutes). Cela ne change pas l'essence. Et notez bien que je ne parle que de la tâche de diviser en classes et que je ne dis pas ce qu'il faut en faire une fois qu'elles sont séparées. Les auteurs du matériel ci-dessus, mélangeant tout en un tas (immédiatement dans la lutte pour acheter ou vendre).
Maintenant, je voudrais revenir au matériel que j'ai posté dans ce fil de discussion et montrer à quoi devrait ressembler le CT (naturellement de mon point de vue).
1. Voici une image, réfléchissez-y, peut-être vous dira-t-elle comment améliorer les "maillages" que vous créez. C'est un détecteur Waldowsky en image (logique OUI-NON, j'en ai parlé il y a quelques pages).
2. Définir clairement les signes de reconnaissance (je veux utiliser comme eux les modèles de "comportement" que je pose dans le filtre de Kalman). Ce que vous mettez dans je ne sais pas, essayez d'observer au moins une condition caractéristiques ne doivent pas être corrélées (fortement corrélées).
Déterminez la classe dans laquelle vous allez diviser le flux d'entrée des citations (disons "tendance plate"). Et seulement après la reconnaissance du courant, lancez-vous dans la bataille, c'est-à-dire choisissez un système de trading qui fonctionne bien dans le plat, l'autre - dans la tendance.
P.S. J'ai encore perdu une demi-journée, en disant des choses évidentes pour moi, mais mon objectif n'a pas été atteint :-(. Je n'ai jamais trouvé quelqu'un qui veuille réellement m'aider à créer le TS. Je vais probablement supprimer l'enfer de ce fil.
Je pense qu'une critique constructive est aussi précieuse qu'un éventuel accord entre les parties au stade de la conception et de la discussion d'une éventuelle stratégie. Cela permet d'économiser du temps et des efforts. Je ne vois donc aucune raison d'être contrarié - nous faisons partie de la même équipe et avons un objectif commun.
Prival, on vous a déjà fait remarquer plusieurs fois que l'avion a une masse et que, par conséquent, il est toujours possible de choisir une discrétisation de la partition de l'échelle de temps telle que la courbe décrivant le mouvement de l'avion dans l'espace, en tenant compte de toutes les culbutes possibles, sera lisse. La superposition d'une interférence aléatoire additive sur cette courbe ne change rien à l'image - nous pouvons reconstruire la trajectoire et sommes capables de prédire. Je considère qu'il s'agit là d'un point fondamental qui distingue le comportement de la LA du type de prix VR. Il n'y a pas de courbe lisse dans la série de prix chargée d'interférences - il existe des critères d'évaluation qui le disent avec une certaine certitude.
Il s'agit d'une critique de ma part et, jusqu'à présent, vous n'y avez pas répondu de manière constructive.