В настоящее время известно большое количество различных методов прогнозирования, основывающихся только на анализе прошлых значений временной последовательности, то есть методов, использующих принципы, принятые в техническом анализе. Основным инструментом этих методов является схема экстраполяции, когда свойства последовательности, выявленные на...
시장 시계열 증분의 ACF가 0이 아닌 것은 매우 운이 좋습니다. 좋습니다. 저것. 증가를 예측할 수 있습니다 .
그러나 첫 번째 조건 " 기대 = const"에서는 운이 없습니다. 표준 시간 프레임의 모든 샘플에 대한 증분의 평균 값은 0에 대해 매우 강하게 "부동"합니다.
결론: 0에 대한 증분 기대치의 최소 분산을 얻기 위해 VR의 전처리(thinning)가 필요합니다. 그러면 후속 증분(가격이 아니라!)의 예측을 기반으로 수익성 있는 TS를 얻을 기회가 증가합니다. 여러 번.
모든 것.
분명히 이러한 생각은 다른 스레드에서 더 잘 논의됩니다. MO와 NN은 전략 논리의 주제와 약간 거리가 있습니다. 오늘날 패킷의 이력에 대해 학습하고 실제 데이터에 대한 결과를 고려하는 연습입니다.
이 주제에 대해 정적 기대의 조건에 동의하지 않습니다. 수학적 모델이 오류가 적은 행을 설명하고 행이 안정적이면 나에게 더 가깝습니다. 동시에 체크메이트의 기대는 항상 고정적이거나 필요 이상인 것은 아닙니다. 적을 수도 있지만 매트 모델은 최소한의 오차로 설명할 수 있습니다.
분명히 이러한 생각은 다른 스레드에서 더 잘 논의됩니다. MO와 NN은 전략 논리의 주제와 약간 거리가 있습니다. 오늘날 패킷의 이력에 대해 학습하고 실제 데이터에 대한 결과를 고려하는 연습입니다.
이 주제에 대해 정적 기대의 조건에 동의하지 않습니다. 수학적 모델이 오류가 적은 행을 설명하고 행이 안정적이면 나에게 더 가깝습니다. 동시에 체크메이트의 기대는 항상 고정적이거나 필요 이상인 것은 아닙니다. 적을 수 있지만 매트 모델은 최소한의 오차로 설명할 수 있습니다.
나는 거의 여기에 오지 않으며 아무 것도 논의하고 싶지 않습니다.
있는 그대로 이야기합니다. 초정밀 신경망은 표준 TF(M1, H1, ...)의 표준 데이터 세트를 처리할 수 없습니다. 이것은 공리입니다.
그건 그렇고, 반복 없이 배열에서 무작위로 숫자를 생성하는 생성기를 본 적이 있습니까? 저는 이것이 필요합니다.
다음 랜덤인지 확인하는 조건으로 발전기에 올라갈 필요가 있습니다. 그리고 발전기의 품질을 즉시 볼 수 있습니다.
더 많은 나무가 매우 적합하다는 것이 밝혀졌습니다. 검사 샘플에서 정확도는 60% 이상입니다.
거래가 발견된 시점과 동일하게 거래 정류장과 거래 출구가 얽혀 있는 것으로 밝혀졌습니다. 이는 논리적입니다. 거래가 오랫동안 열려 있었다면 정류장이 녹아웃되지 않은 것입니다. 아마도 다음과 같은 이유로 그들은 크다...
모델을 첨부하시겠습니까?
네 신청해주세요.
입장 요일, 입장 시간, SL, TP에 따라 달라질 것으로 예상했습니다.
종료 시간에 따라 테스터에서 시스템을 구동해야 합니다. 거기서 무슨 일이 일어나는지 보십시오. 종료 시간과 지속 시간은 간접 매개변수이고 SL 또는 TP가 트리거될 때만 알려지지만. 무차별 대입해야합니다.
다시.
Kolmogorov에 따르면 시계열 예측 의 경우 두 가지가 필요합니다.
1. 기대 = const
2. ACF는 0이 아닙니다.
"백색 소음", "동전" 등 정크는 ACF=0이기 때문에 원칙적으로 예측할 수 없습니다.
시장 시계열 증분의 ACF가 0이 아닌 것은 매우 운이 좋습니다. 좋습니다. 저것. 증가를 예측할 수 있습니다 .
그러나 첫 번째 조건 " 기대 = const"에서는 운이 없습니다. 표준 시간 프레임의 모든 샘플에 대한 증분의 평균 값은 0에 대해 매우 강하게 "부동"합니다.
결론: 0에 대한 증분 기대치의 최소 분산을 얻기 위해 VR의 전처리(thinning)가 필요합니다. 그러면 후속 증분(가격이 아니라!)의 예측을 기반으로 수익성 있는 TS를 얻을 기회가 증가합니다. 여러 번.
모든 것.
다시.
Kolmogorov에 따르면 시계열 예측 의 경우 두 가지가 필요합니다.
1. 기대 = const
2. ACF는 0이 아닙니다.
"백색 소음", "동전" 등 정크는 ACF=0이기 때문에 원칙적으로 예측할 수 없습니다.
시장 시계열 증분의 ACF가 0이 아닌 것은 매우 운이 좋습니다. 좋습니다. 저것. 증가를 예측할 수 있습니다 .
그러나 첫 번째 조건 " 기대 = const"에서는 운이 없습니다. 표준 시간 프레임의 모든 샘플에 대한 증분의 평균 값은 0에 대해 매우 강하게 "부동"합니다.
결론: 0에 대한 증분 기대치의 최소 분산을 얻기 위해 VR의 전처리(thinning)가 필요합니다. 그러면 후속 증분(가격이 아니라!)의 예측을 기반으로 수익성 있는 TS를 얻을 기회가 증가합니다. 여러 번.
모든 것.
분명히 이러한 생각은 다른 스레드에서 더 잘 논의됩니다. MO와 NN은 전략 논리의 주제와 약간 거리가 있습니다. 오늘날 패킷의 이력에 대해 학습하고 실제 데이터에 대한 결과를 고려하는 연습입니다.
이 주제에 대해 정적 기대의 조건에 동의하지 않습니다. 수학적 모델이 오류가 적은 행을 설명하고 행이 안정적이면 나에게 더 가깝습니다. 동시에 체크메이트의 기대는 항상 고정적이거나 필요 이상인 것은 아닙니다. 적을 수도 있지만 매트 모델은 최소한의 오차로 설명할 수 있습니다.
분명히 이러한 생각은 다른 스레드에서 더 잘 논의됩니다. MO와 NN은 전략 논리의 주제와 약간 거리가 있습니다. 오늘날 패킷의 이력에 대해 학습하고 실제 데이터에 대한 결과를 고려하는 연습입니다.
이 주제에 대해 정적 기대의 조건에 동의하지 않습니다. 수학적 모델이 오류가 적은 행을 설명하고 행이 안정적이면 나에게 더 가깝습니다. 동시에 체크메이트의 기대는 항상 고정적이거나 필요 이상인 것은 아닙니다. 적을 수 있지만 매트 모델은 최소한의 오차로 설명할 수 있습니다.
나는 거의 여기에 오지 않으며 아무 것도 논의하고 싶지 않습니다.
있는 그대로 이야기합니다. 초정밀 신경망은 표준 TF(M1, H1, ...)의 표준 데이터 세트를 처리할 수 없습니다. 이것은 공리입니다.
VR 증분을 사전 처리해야만 Grail 에 대한 경로를 부여할 수 있습니다. 아멘.
나는 여기에 거의 나타나지 않으며 아무 것도 논의하고 싶지 않습니다.
있는 그대로 이야기합니다. 초정밀 신경망은 표준 TF(M1, H1, ...)의 표준 데이터 세트를 처리할 수 없습니다. 이것은 공리입니다.
전처리 VR 증분만이 성배의 길을 제공할 수 있습니다. 아멘.
대처, 정확도는 60-70%입니다. H, H4, D 기간이면 충분합니다.
흠... 한번 볼게요. 나는 아직 M15 이상의 TF로 작업하지 않았습니다 ...
네 신청해주세요.
입장 요일, 입장 시간, SL, TP에 따라 달라질 것으로 예상했습니다.
종료 시간에 따라 테스터에서 시스템을 구동해야 합니다. 거기서 무슨 일이 일어나는지 보십시오. 종료 시간과 지속 시간은 간접 매개변수이고 SL 또는 TP가 트리거될 때만 알려지지만. 무차별 대입해야합니다.
따라서 실험은 본질적으로 "손실을 줄이고 이익이 흐르게 하라"는 규칙을 확인했습니다.
모델이 부착되었습니다.
흠... 한번 볼게요. 나는 아직 M15 이상의 TF로 작업하지 않았습니다 ...
따라서 실험은 본질적으로 "손실을 줄이고 이익이 흐르게 하라"는 규칙을 확인했습니다.
모델이 부착되었습니다.
규범
약간 적은 손실