Trouver un ensemble d'indicateurs pour alimenter les entrées du réseau neuronal. Discussion. Un outil d'évaluation des résultats. - page 2
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
Sur les doigts.
L'un parle, l'autre répond.
La taille d'un homme (cm) :
1 - improbable
10- il ne peut pas être
30- peu probable
100-peut-être
176-vrai
200-petite chance
230, c'est impossible.
300-peu probable.
C'est un exemple de transformation non linéaire.
Et si on le faisait sur le principe du singe chanceux. Par exemple, prenons le CCI et vérifions-le sur tous les historiques disponibles, nous choisirons des secteurs rentables qui ne perdront pas tout le temps. Ensuite, nous prenons le Momentum, Bollinger, Muvings et choisissons des zones rentables. Le trading se fait virtuellement et un système qui se révèle aussi bon que la sélection initiale est admis pour le trading réel. Si l'histoire se répète, ça devrait marcher. L'avantage de cette approche est également une estimation approximative de la durée d'une bonne situation. Quels sont vos critères pour sélectionner les zones rentables comme le nombre de transactions, la transaction moyenne, le drawdown maximum, la durée d'une zone rentable, j'ai une petite idée, je vous en parlerai plus tard.
Vous pouvez aller dans l'autre fil ici.Bonjour
J'ai toujours voulu en savoir plus sur les SN, mais dès que je commence à lire des ouvrages sur le sujet, ma tête se met à bouillir et finalement, je ne comprends même pas ce qu'est la SN.
Pourriez-vous donner un exemple simple (sur les doigts, pour ainsi dire) pour expliquer ce que c'est ?
>> Merci.
Attrapez.
Attrapez.
i takoe uge chital mnogo navernoe mne ne dano poniat chto takoe NC
cpacibo
I takoe uge chital mnogo navernoe mne ne dano poniat chto takoe NC
cpacibo
De quoi avez-vous besoin ?
Oui comprendre comment le NS comprend que 176 cm est vrai
>> oui comprendre comment le NS comprend que 176cm est vrai
>>. Mais sin90% = 1 est vrai ?
pour comprendre comment le NS comprend que 5'7" est vrai.
Voilà le processus !
Mon exemple précédent est une fonction de transformation non linéaire en forme de cloche
En général, la fonction la plus utilisée, du moins par moi, est (2/(1-2^(-x))-1.
Expérimentez dans excel ou matcad avec l'exemple ci-dessus. Beaucoup de choses deviendront claires.
vous allez sur un autre fil ici.
Je suis moi aussi très intéressé par la recherche d'un ensemble minimal d'indicateurs et l'évaluation des résultats, mais pour mes propres besoins.
Seulement au lieu du prix de clôture nous devrions utiliser le résultat de la transaction. Qui est bon en géométrie, corrige le code.
double Dispersia (int i, int N)
{
// dans ce sous-programme nous calculons la dispersion de l'écart du prix de clôture par rapport à
// ligne de régression linéaire
// à mon avis, la dispersion de la valeur moyenne n'est pas tout à fait adéquate car la distribution
// décrite par exemple par y=b*x+c, la dispersion (par rapport à la moyenne) dépend alors de l'angle de la pente, //de la profondeur de l'eau et du niveau de l'eau.
// l'échantillon et la répartition. Dans mon cas, la variance ne dépend que de l'écart.
Dans mon cas, la dispersion ne dépend que de l'écart. // Il est bien sûr préférable d'utiliser une puissance ou un exposant, notamment lors du calcul de systèmes // basés sur des taux d'accélération.
//contrôle des taux d'accélération, alors je suis désolé, je suis trop bête.
double Pi=3.141592653589793 ; // oublier l'opérateur d'équivalence .
int j ;
double a,b,Summ_x,Summ_y,Summ_x_2,Summ_xy,Deviation,StdDeviation,Sredn_y,AC ;
pour (int x=1;x<N;x++)
{ j=N-x+i ;
Summ_x=Summ_x+x ;
Summ_y=Summ_y+Close[j] ;
Summ_xy=Summ_xy+x*Close[j] ;
Summ_x_2=Summ_x_2+MathPow(x,2);
}
b=((N-1)*Summ_xy-Summ_x*Summ_y)/((N-1)*Summ_x_2-MathPow(Summ_x,2)) ;
a=(Summ_y-b*Summ_x)/(N-1) ;
Sredn_y=Summ_y/(N-1) ;
pour ( x=N ;x>=1 ;x--)
{
j=N-x+i ;
si ( b >0 )
{
AC= MathAbs(Close[j]-(b*x+a))*MathSin(Pi/2-MathArctan(b)) ;
}
si ( b<0 )
{
AC=MathAbs(Close[j]-(b*x+a))*MathSin(MathArctan(b)-Pi/2) ;
}
Écart=Écart+ MathPow(AC,2) ;
}
StdDeviation=MathSqrt(Deviation/N) ;
return(StdDeviation*StdDev)
}
Si nous estimons le résultat selon cette formule, alors TS est décrit par deux paramètres : l'angle de pente de la ligne de régression, plus il est élevé, mieux c'est, et la pseudo-dispersion, plus elle est proche de zéro, mieux c'est.