Analizzare le caratteristiche STATISTICHE più importanti del modello e scegliere un metodo di trading su di esso. - pagina 3
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Puoi anche usare i percentili, è più facile da calcolare, hai bisogno di più dati così non ci sono sorprese...
Ha dato indicazioni su dove scavare). Anche se ci sono molte cose che si possono fare....
Leggerò dei percentili, grazie )
Qualcosa mi dice che le probabilità saranno vicine al 50%. :)
Cos'è, qual è il sentimento?
Probabilmente l'esperienza. :)
Oh, quante meravigliose scoperte
Lo spirito dell'illuminazione
E l'esperienza, [figlio di] errori difficili,
E Genius, [paradossi] amico,
[E il caso, il dio dell'invenzione]
Cerca l'indicatore del vicino più vicino nel codebase. Il metodo è abbastanza semplice. Si imposta la lunghezza del pattern corrente, si trovano pattern simili dalla storia (per esempio si usa la correlazione come distanza tra i pattern), si predice il comportamento futuro dei prezzi dai pattern passati pesando le loro previsioni individuali. Questo è essenzialmente lo stesso del clustering, o RBF, o SVM, o GRNN. Tutto dipende da come si misura la distanza dal modello attuale a modelli passati simili. Leggi su GRNN e Bayes. Lì la teoria della predizione è descritta in termini di distribuzioni statistiche. Si è scritto molto su GRNN e sui metodi di predizione sopra menzionati e tutto si riduce a una semplice formula:
previsione y = SOMMA y[k]*exp(-d[k]/2s^2) / SOMMA exp(-d[k]/2s^2)
dove y[k] è il k-esimo modello passato, d[k] è la distanza dal k-esimo modello al modello corrente. Se le distanze hanno una distribuzione gaussiana allora d[k] = (x - x[k])^2. Per una distribuzione arbitraria (super gaussiana), d[k] = |x - x[k]|^p, dove si sceglie p a seconda che si voglia dare più peso ai vicini più vicini (grande p), o dare a tutti i vicini quasi lo stesso peso (piccolo p) come nel socialismo. Con p=0, abbiamo il socialismo totale.
Dopo aver fatto conoscenza con i vicini più vicini e GRNN, sorge la prossima domanda ovvia. Come misurare la distanza tra il modello attuale e i modelli passati se si tiene conto delle distorsioni dell'asse del tempo (cioè i modelli passati possono assomigliare al modello attuale ma allungati o compressi nel tempo). È qui che si trova il problema.
È qui che si trova il problema.
Ho già mangiato quel cane, la domanda è diversa ora. Forse non è del tutto giusto :)
Ma le vostre pubblicazioni sono molto interessanti, grazie, darò un'occhiata
se si tiene conto della distorsione dell'asse del tempo (cioè i modelli passati possono assomigliare al modello attuale ma sono allungati o compressi nel tempo). Qui è dove il cane è sepolto.
Come conseguenza di questa affermazione - questo cane non viene scoperto al momento solo a causa delle limitazioni delle risorse computazionali.
Questo sembra essere una contraddizione: se hai tante risorse computazionali quante ne hai bisogno, qualsiasi cane può essere scoperto. Come, la soluzione di qualsiasi problema dipende solo dalla quantità di risorse computazionali disponibili.
In generale, la logica è, a dir poco, strana. Pertanto, quando dicono "il cane è sepolto lì", lamentando indirettamente l'insolubilità computazionale al momento, possiamo tranquillamente dire che non c'è nessun cane.
Come conseguenza di questa dichiarazione - questo cane non è attualmente sbloccato solo a causa delle limitazioni del numero di risorse computazionali.
Questo sembra essere una contraddizione: se ci sono tante risorse computazionali quante sono, allora qualsiasi cane può essere sbloccato. Come, la soluzione di qualsiasi problema dipende solo dalla quantità di risorse computazionali disponibili.
In generale, la logica è, a dir poco, strana. Pertanto, quando dicono "il cane è sepolto lì", lamentando indirettamente l'insolubilità computazionale al momento, possiamo tranquillamente dire che non c'è nessun cane.
È tutto fatto tramite trasformazioni affini... e richiede risorse minime... con il giusto approccio
È tutto fatto attraverso trasformazioni affini... e richiede risorse minime... con il giusto approccio
Il graal non ha funzionato - l'approccio non era abbastanza competente!
Questa affermazione è diventata così popolare per quale motivo?
Il graal non ha funzionato - l'approccio non era abbastanza competente!
Per quale motivo questa affermazione è diventata così popolare?
Beh, il diavolo è sempre nei dettagli... non è il Graal che serve, ma almeno qualcosa di utile :)
il problema è che la gente non sa cosa sta facendo, credo... e per cosa
previsione y = SOMMA y[k]*exp(-d[k]/2s^2) / SOMMA exp(-d[k]/2s^2)
dove y[k] è il k-esimo modello passato, d[k] è la distanza dal k-esimo modello al modello corrente. Se le distanze hanno una distribuzione gaussiana, allora d[k] = (x - x[k])^2. Per una distribuzione arbitraria (super gaussiana), d[k] = |x - x[k]|^p, dove si sceglie p a seconda che si voglia dare più peso ai vicini più vicini (grande p), o dare a tutti i vicini quasi lo stesso peso (piccolo p) come nel socialismo. Con p=0, abbiamo il socialismo totale.
Dopo aver fatto conoscenza con i vicini più vicini e GRNN, sorge la prossima domanda ovvia. Come misurare la distanza tra il modello attuale e i modelli passati se si tiene conto delle distorsioni dell'asse del tempo (cioè i modelli passati possono assomigliare al modello attuale ma allungati o compressi nel tempo). È qui che si trova il problema.