한 줄 한 줄. 저는 아무것도 할인하지 않았습니다. 패턴 검색을 논의하는 맥락에서 대략적으로 말하면, 각 행에서 Abs(Corr[i])가 0.9 이상인 상황만 찾으면 됩니다. 이를 위해 행렬을 작성할 필요 없이 행을 세기만 하면 됩니다.
A는 정확합니다. 각 행에 대해 1~5천 개의 상관 행만 있을 수 있으며, 필요한 경우 저장할 수 있습니다.
fxsaber #: 행 단위 계산을 위한 표준을 찾지 못했습니다. 알글리브는 느려 보였습니다. 저만의 변형을 시도하고 있습니다.
PearsonCorrM2가 빠르게 작동 할 것 같습니다. 하나의 행렬을 가득 채우고 두 번째 행렬을 한 행에서 확인합니다. 그리고 끝에서 이동하면 첫 번째 행렬의 크기를 다음 행의 수로 지정하여 테스트중인 행 아래의 행에 대해 상관 관계를 반복적으로 다시 계산하지 않도록 할 수 있습니다.
voidOnStart()
{
constdouble a = 2, b = 7;
constvector<double> Vector = {1, 2, 3, 4};
Print(Vector.CorrCoef(Vector * a + b)); // 1Print(Vector.CorrCoef((Vector + a) * b)); // 1
}
간단한 공식임에도 불구하고 덧셈이 느껴지지 않았습니다. 그리고 위키에도 그렇게 명시되어 있습니다.
Ключевым математическим свойством коэффициента корреляции Пирсона является то, что он инвариант при отдельных изменениях положения и масштаба двух переменных. То есть мы можем преобразовать X в a + bX и преобразовать Y в c + dY, где a, b, c и d - константы с b, d>0, без изменения коэффициента корреляции.
국방부입니다.
원본 EA의 패턴이 동일하다면 아무런 차이가 없습니다: 패턴을 보고 열어보세요.
MQL5에서는 이러한 행렬의 요소를 이전 컴퓨터에서 약 55시간 만에 계산할 수 있습니다. 메모리 소비가 최소화됩니다.
행 길이는 100입니다.백만 분의 1인가요, 100인가요? 이것이 입력 행렬인가요?
그리고 출력은 1000000*1000000인가요? 1테라바이트입니다. 한 줄씩 읽어서 디스크에 덤프했나요?
어떤 함수를 사용하셨나요? 피어슨코어엠, 피어슨코어엠2, 피어슨코어2 또는 표준?
원본 EA의 패턴이 동일한 경우 패턴을 보고 열어도 아무런 차이가 없습니다.
하지만 패턴이 다르면 EA가 스스로 신호를 생성합니다.
그리고 패턴 세트는 논리로 묶여 있어야합니다. 방향성 거래와 최소 반전을 시도했는데 두 가지 모두에 대한 패턴이 있으며 상대적으로 좋은 패턴이 있습니다.
백만 분의 1인가요, 100인가요? 입력 행렬인가요?
입력은 100x1000000입니다.
출력은 1000000*1000000인가요? 1테라바이트입니다. 한 줄씩 세어서 디스크에 버린 건가요?
한 줄씩요. 아무것도 버리지 않았어요. 패턴 검색을 논의하는 맥락에서 대략적으로 말하면, 각 행에서 Abs(Corr[i])가 0.9 이상인 상황만 찾아야 합니다. 이를 위해 행렬을 작성할 필요 없이 행을 세기만 하면 됩니다.
행을 계산하는 데 어떤 함수를 사용하셨나요? PearsonCorrM, PearsonCorrM2, PearsonCorr2 또는 표준 함수인가요?
줄 단위 계산을 위한 자체 함수를 찾을 수 없었습니다. Alglib은 느린 것 같았습니다. 저만의 버전을 사용해 보려고 합니다.
NS는 자체적으로 신호를 생성합니다.
그리고 패턴 세트는 논리로 묶여 있어야합니다. 방향성 거래와 최소 반전을 시도했는데 두 가지 모두에 대한 패턴이 있으며 상대적으로 좋은 패턴이 있습니다.
좋은 것 같네요.
지금은 제쳐두었지만 결과는 MO보다 나쁘지 않지만 MO는 균형의 부드러움 측면에서도 절름발이입니다.
5분, 하프 트레이닝
한 줄 한 줄. 저는 아무것도 할인하지 않았습니다. 패턴 검색을 논의하는 맥락에서 대략적으로 말하면, 각 행에서 Abs(Corr[i])가 0.9 이상인 상황만 찾으면 됩니다. 이를 위해 행렬을 작성할 필요 없이 행을 세기만 하면 됩니다.
A는 정확합니다. 각 행에 대해 1~5천 개의 상관 행만 있을 수 있으며, 필요한 경우 저장할 수 있습니다.
PearsonCorrM2가 빠르게 작동 할 것 같습니다. 하나의 행렬을 가득 채우고 두 번째 행렬을 한 행에서 확인합니다. 그리고 끝에서 이동하면 첫 번째 행렬의 크기를 다음 행의 수로 지정하여 테스트중인 행 아래의 행에 대해 상관 관계를 반복적으로 다시 계산하지 않도록 할 수 있습니다.
PearsonCorrM2가 빠른 트랙이 될 것 같습니다.
처음에는 빠를지 의심스러웠습니다.
하이라이트만 측정하는 이 중 하나를 사용해 보았습니다. 뭔가 느려서 직접 만들고 있습니다.
저 말고는 아무도 몰랐던 것이 아닙니다.
피어슨은 곱셈과 덧셈의 연산에 변함이 없습니다.
간단한 공식임에도 불구하고 덧셈이 느껴지지 않았습니다. 그리고 위키에도 그렇게 명시되어 있습니다.
Ключевым математическим свойством коэффициента корреляции Пирсона является то, что он инвариант при отдельных изменениях положения и масштаба двух переменных. То есть мы можем преобразовать X в a + bX и преобразовать Y в c + dY, где a, b, c и d - константы с b, d>0, без изменения коэффициента корреляции.
에는 단위 상관 행렬(행과 열)이 있습니다.
피어슨은 곱셈과 덧셈의 연산에 대해 불변합니다.
가격 데이터에는 적합하지 않을 수 있습니다.