par(mar=c(2,2,2,2),mfrow=c(3,2))
n <- 1:1000# original series
s <- sin(n/50+1) + sin(n/20+15)/2 + rnorm(n,sd = 0.1)
s |> plot(t="l", main = "original series (2 sin + noise)")
s |> rnorm(mean = mean(s),sd = sd(s)) |> cumsum() |> plot(t="l",main = "random generation")
library(forecast)
s |> ets() |> simulate() |> plot(t="l",main = "Exponential smoothing state space model")
s |> ar() |> simulate() |> plot(t="l",main = "Fit Autoregressive Models to Time Series")
s |> nnetar() |> simulate() |> plot(t="l",main = "Neural Network Time Series Forecasts")
s |> Arima() |> simulate() |> cumsum() |> plot(t="l",main = "ARIMA model to univariate time series")
私は時系列のいくつかのシミュレーションとその特徴を調べ、正弦波とノイズから合成系列を作成した（より明確にするために正弦波を使った）。
結論は...このシミュレーションはまだ正しく理解されていない...
最初の行がオリジナル（左上）で、他の行はすべて最初の行の特性を基に作られたシミュレーションである。
別の実行
まあ、何が問題なのかはわからない。
そもそも問題はなかった。つまり、解決すべき問題はなかった。ただ、中間的な結果を共有し、異なる解釈を議論しているだけだ。
私自身、自分の思い込みにかなりガックリきている。
トレーディング、自動売買システム、トレーディング戦略のテストに関するフォーラム
トレーディングにおける機械学習：理論、モデル、実践、アルゴ・トレーディング
fxsaber、2023.08.19 00:50
dopilivayut場合は、モンテカルロのために、おそらく所望のstat.特性を持つランダムシンボルを生成するための最良の選択肢。
私は、完全にスケーラブルな実際のティック履歴のこのようなランダム化によって、私はまた、適切なチューニングで完全にスケーラブルであろうシンボルを得るだろうと思った。しかし、私は完全に失敗してしまった。少なくとも、完璧にスケーリングできる実履歴の中に何があったのだろうかと考えさせられた。
それでも、ダニにはもっとアルファがあるということだ。
ティックを扱う場合、バーを扱う場合よりも多くの情報があることだけは確かです。したがって、適切な計算能力でティックを扱うことは論理的である。
最初の行はオリジナル（左上）で、他の行はすべて最初の行の特徴に基づいたシミュレーションである。
、、、ののー、ーのー。何をするのか：
It is absurd that 100 values can describe an original series of millions of values!ータはータはータはータはータはータはー
提案されたアルゴリズムは ティックで機能する。ー ティックボリュームはー、ーー ニュースがーにーにーーーにーーーーーーーのーーーーーーーーーーーーーーーーーーーーーーーーーーーーーー
すべてクールなように聞こえる。ー しかしー、ーしかしー、ーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーメンバーのフレンドリーなフレンドリーフレンドリーフレンドリーフレンドリーフレンドリーフレンドリーフレンドリー。
必要なランダム・シンボルを作成するEX5スクリプトを投稿したいが、フォーラムのルールで禁止されている。ーまだー。もし興味がある方がいらっしゃれば、ご連絡ください。
解決しなければならないことではなかった。
以下を解決したい。
スケーラブルなシンボルをランダム化し、スケーラブルであることを維持する。
目的。
モンテ・カーライル
しかし、完全に失敗してしまった。少なくとも、完璧に頭皮を刺激した本当のストーリーは何だったのだろうかと考えさせられた。
その違いは、連続するバーやティックの連続性や反復性にあると思います。トレンドの間、それらのほとんどは同じ方向にあり、ランダマイザーは平均して1.
この違いは、連続するバーやティックの連続性や反復性にあると思います。トレンドが発生している間は、ほとんどのバーが一方向に並びますが、ランダマイザーは平均して1方向に並びます。
いくつかの仮説があります。念のため、このスクリプトをリアルとランダムのシンボルで実行してMathRandをチェックした。
どちらのシンボルもほとんど同じ値を示した。興味深いことに、Amount1 ~ Amount2である。つまり、傾向性は1文字の増分の数によってではなく、増分自体の絶対値によって形成される。
現在のランダム化アルゴリズムでは、インクリメントの絶対値の並びは変化しない。
いくつかの仮説がある。念のため、このスクリプトを実際のランダムなシンボルで実行してMathRandをチェックしてみた。
、フリガフフフフフフフフフフフフフフフフフフフフフフフフフフフフフ量1量2。つまり、トレンド性は1つのシンボルの増分の数によってではなく、増分自体の絶対値によって形成される。
ーAmount1ーAmount2はーAmount2はー2。度とは度とは度とは度とは度2度。実際のデータではトレンドは1つだが、ランダム化されたデータ（through1くらいまで）では、トレンドはボラティリティの増加によってランダムな外れ値のようになる。(、)実データよりも、、、、、ののののののののののののののののののののののののののののののの生っ
度外視しました。
について。彼らの近似的な絶賛は、1.で平均化された、実際によく混合された、ただそれだけの意味です。私が使いたいと思うシミュレーションは一つもない。彼らの仕事
100の値で何百万もの値の元の系列を記述できるのは不合理で ある！これは理論家の道具であって、実践家の道具ではないようだ。
馴染みのないものに驚いて不合理だと言うのは不合理だ......。
次元削減アルゴリズムや圧縮アルゴリズムをご存知ですか？
提案されたアルゴリズムは ティックで動作します。ティック・ボリュームは受信したバーで一致し、スプレッドも一致する。ニュースに対する鋭い反応、ロールオーバーの挙動なども同じです。
すべてクールなように聞こえる。しかし、このようなランダム化の後でもスキャルピングを教えることはできない。そして、今のところ、それについての説明はない。
あなたのランダム化がどれだけ現実の市場プロセスをシミュレートしているかの答えはここにある。
実際のスキャルピング可能なシンボルを、スキャルピング可能なままとなるようにランダム化せよ。
そして、適切な行シミュレーションを作成するための基準/フィットネス関数を以下に示します。
不慣れなことに驚き、それを不条理だと言うのは馬鹿げている．
信号としてそれらの人工的なデータで - 周期関数、その分析のために1-2-10期間で十分である（50小節ごとに、例えば、同じ関数（絶対）が、異なるノイズで、再び50後など）。市場データには周期的な関数がないので、すべてを分析する必要がある。