Хотим мы того или нет, но статистика в трейдинге играет заметную роль. Начиная с фундаментальных новостей, пестрящих цифрами, и заканчивая торговыми отчетами или отчетами тестирования, от статистических показателей никуда не деться. Вместе с тем, тезис о применимости статистики в принятии торговых решений остается одной из самых дискуссионных...
ここ数カ月で一番センスのいい記事！ ...考えないと、長い間やっていない、体を整えないと、もうすぐ連休がやってくる
まあ、確率を得るためには研究（実験、我々の場合はテスト）が必要で、それ以外の方法はなく、データマイニングだけが助けになりますが、私はYouTubeのチュートリアルを見ていない、あなたは私に戻ってくる、すべてのレッスンはPythonです（（（。
1月以降、talovより先にpythonを始めましょう））2Qになるかもしれません。
役に立つかどうかわからないけど！？相関関係を試すことができます。自分が求める理想の結果をカーブとしてイメージし、最適なモデルを探す過程で、現在の結果と理想（自分の理想のカーブ）を相関計算で比較するのです。理想に最も近い相関を持つモデルが、求めているモデルに最も近いと言えるでしょう
アイデアには感謝しますが、理想が非常に抽象的で、どうあるべきかが明確でないため、実現不可能です。一見すると、繰り返しのたびに改良が加えられ、あるいは少しずつ改善されているように見えますが、これは些細なアイデアであり、MOソフトの開発者がなぜこれを実装しなかったのかは、今ではよくわかりません。学習曲線が長すぎて、そのモデルを作る製品が競争力を失ってしまうか、あるいは、そのアイデアについて実際にテストが行われ、メリットが見いだせなかったかのどちらかです。
テルテル坊主でパターンを探すという記事は、なぜか少ないんです。
そして、ベイズに関する情報はほとんどなく、あったとしても、それを正しく理解するのは難しい。
ベイズの主な問題は、正しいアプリオリ分布を選択することである。この場合、非定常性によってすべてが複雑になり、時間依存性が現れる可能性があります。
先験的なものは大きな履歴で、事後的なものは小さな履歴で構築するのは当然だと思われる。問題は、非定常性のもとで、これらの歴史の部分を正しく分離することである。
それはまさに、なぜか情報が少ないテリバーを通してパターンを探す記事です
なぜかというと、大量にあり、値段が高く、使いこなすのが不可能だからです。GARCHと呼ばれるものです。そこでは、モデルは3つの部分から構成されています。
理論家という意味で、人が幸せになるためには、他に何が必要なのでしょうか。
全部がいろんなガレージに集まっているので（以前、リンクを貼ったことがあるのですが、100種類以上のガレージがありました）、どこにもないのかも？
ベイズの主な問題は、正しいアプリオリ分布を選択することである。この場合、非定常性によって複雑になり、時間依存性が現れる可能性があります。
先験的なものは大きな履歴で、事後的なものは小さな履歴で構築するのは当然だと思われる。問題は、非定常性に直面して、歴史のこれらの部分を正しく分離することである。
そう、これは当たり前のことであり、さらに言えば、（自分の理解レベルでは）MOによってすでに行われていることなのです。2番目のモデルは、各ステップの後に1番目のモデルの信号を補正する。とても簡単で、速く、適応性があることがわかったのですが...もっと研究が必要です。理論（ベイズ的な、巧妙な方法）まで編み出しました。
なぜダメなのか - トン、法外な値段、使いこなすのが不可能。GARCHと呼ばれるものです。そこでは、モデルは3つの部分から構成されています。
理論家という意味で、人が幸せになるためには、他に何が必要なのでしょうか。
そのためか、すべてがいろいろなガレージ（一度リンクを貼ったら-100種類以上のガレージ）に集められていて、どこにもないのでは？
とか、頭の中で比較するのは難しいかもしれませんが...例えば、条件付確率や関節などは、garchを通して定義されていると言えるのでしょうか？
例えば、検索範囲を設定し、遠くからパターンを検索したい場合、例えば、増分、時間間隔などの異なる組み合わせで検索したい場合などです。
Pythonで同じようなものが欲しい（同じ時間は練習になる）。
次のようなものです。https://www.mql5.com/ru/articles/3264そう、これは当たり前のことで、しかも、すでにMOを通じて（その理解のレベルで）行われていることです。2番目のモデルは、各ステップの後に1番目のモデルの信号を補正する。非常に簡単で、速く、適応性があることがわかった。私はそれに理論（ベイズ的な、賢いやり方）を当てはめたりもしました。
先験的な分布を作るには、もうひとつ明白な方法がある。もし、「限界値/平均値」の価格がSBのような振る舞いをすると仮定すれば、この分布もSB上に構築することができる。まれに解析的に行える場合もありますが、通常はモンテカルロ法で行います。この方式は従来のものより複雑で、必ずしも優れているとは言えません。
先験的な分布を作るには、もう一つ明白な方法がある。もし、「限界値/平均値」の価格がSBのような振る舞いをすると仮定すれば、SBについてもこの分布を構成することができる。まれに解析的に行える場合もありますが、通常はモンテカルロ法で行います。この方法はより複雑であり、必ずしも従来の方法より優れているとは言えません。
あるいは、別のAlekseyが示したように、訓練されたサンプルのモデル信号分布の曲線は、先験的に正規のものです。
これらはすべて堅牢なものであるあるいは、別のAlexeiが示したように、訓練されたサンプルに対するモデル信号の分布の曲線は、アプリオリの正規の基準です。
これらはすべて堅牢なものである非定常性によって、すべてが台無しになっているのです。
あるいは、別のAlexeyが示したように、訓練されたサンプルのモデル信号分布の曲線は、アプリオリの正規の基礎となります。
これらはすべて堅牢なものである私のことなら、テストサンプルで、カーブを示しましたが......トレーニング用のサンプルも見ていないんですよ......。