제가 알기로는 증분(OHLC)을 취하고 값을 무작위화해야 하나요? 아니면 증분을 100 개의 창으로 나누고 창을 혼합해야합니까? 어디선가 시계열은 윈도우로만 인터리빙할 수 있다고 들었는데요....
사용자 지정 문자를 다뤄본 적이 없는데 이런 용도의 스크립트가 있나요?
매우 횡설수설-나는 그것이 "평균"에서 무엇을 의미하는지 이해하지 못하며 무엇보다 낫지 않습니까? 검색 영역을 제한하므로 평균이 원본에 가까우면 "거기에서 잃을 것이 없다", 즉 양자 세그먼트가 무작위로 선택 될 수 있음을 의미합니까, 즉 선택 기준이 충분하지 않습니까?
더 이상 원본이 없습니다. 그리고 뒤섞인 기호. 증분, 그렇습니다.
이러한 각 기호에 대해 최적의 사각형을 결정한 다음 모든 시뮬레이션에서 최적의 사각형의 평균을 확인합니다.
제가 알기로는 다음과 같은 제안을 하고 계신 것으로 알고 있습니다:
수십 개의 샘플을 만들 수도 있겠지만:
1. 원본과 정말 유사한 샘플을 생성하는 방법을 전혀 알지 못하며 , 도구도 없습니다.
2. '히트'가 많을 경우 결과를 어떻게 해석하고, 적을 경우 양자 컷오프 범위로 해석할 수 있나요?
무작위로 기호를 N 번 섞어 양자화된 컷오프(가장 좋은 컷오프)의 평균을 살펴봅니다. 평균적으로 최고가 하나도 없다면 잃을 것이 없습니다.
기호를 n번 무작위로 섞어 쿼트레인의 평균(가장 좋은 것)을 확인합니다.
제가 알기로는 증분(OHLC)을 취하고 값을 무작위로 섞어야 하나요? 아니면 증분을 100 개의 창으로 나누고 창을 혼합해야합니까? 시계열은 윈도우에서만 혼합 할 수 있다고 어딘가에서 들었습니다......
사용자 지정 문자를 다루지 않았는데이 목적을위한 스크립트가 있습니까?
평균이 최고가 아니라면 잃을 것이 없습니다.
매우 횡설수설-나는 "평균"이 무엇을 의미하는지 이해하지 못하며 무엇보다 낫지 않습니까? 검색 영역을 제한하므로 평균값이 원본에 가까우면 "거기에서 잃을 것이 없다", 즉 양자 세그먼트가 무작위로 선택 될 수 있음을 의미합니까, 즉 선택 기준이 충분하지 않습니까?
제가 알기로는 증분(OHLC)을 취하고 값을 무작위화해야 하나요? 아니면 증분을 100 개의 창으로 나누고 창을 혼합해야합니까? 어디선가 시계열은 윈도우로만 인터리빙할 수 있다고 들었는데요....
사용자 지정 문자를 다뤄본 적이 없는데 이런 용도의 스크립트가 있나요?
매우 횡설수설-나는 그것이 "평균"에서 무엇을 의미하는지 이해하지 못하며 무엇보다 낫지 않습니까? 검색 영역을 제한하므로 평균이 원본에 가까우면 "거기에서 잃을 것이 없다", 즉 양자 세그먼트가 무작위로 선택 될 수 있음을 의미합니까, 즉 선택 기준이 충분하지 않습니까?
더 이상 원본이 없습니다. 그리고 뒤섞인 기호. 증분, 그렇습니다.
이러한 각 기호에 대해 최적의 사각형을 결정한 다음 모든 시뮬레이션에서 최적의 사각형의 평균을 확인합니다.
쿼트레인이 무엇인지 정확히 이해한다면요. 칩 값의 범위라면 모든 것이 맞습니다.
터미널에서 아무 작업도 하지 않고 봇만 컴파일합니다.더 이상 원본이 없습니다. 셔플된 기호입니다. 증분은 맞습니다.
각 기호에 대해 최상의 이차식을 결정하고 모든 시뮬레이션의 평균을 살펴봅니다.
터미널에서 아무 작업도 하지 않고 봇을 컴파일하기만 합니다.명확하지 않습니다. 하나는 순전히 우연히 다른 것보다 더 나은 것이 더 자주 떨어질 것입니다 (두 번만하더라도) - 요점이 무엇입니까?
간단히 설명하기 위해 양자 테이블 하나를 예로 들어보겠습니다.
결과적으로 예측 변수 1의 경우 5개의 양자 조각이 더 자주 떨어지고 예측 변수 2의 경우 3개의 양자 조각이 더 자주 떨어지는 식으로 계산할 수 있습니다.
각 예측자에 대한 컷오프가 다르다는 것을 깨달아야 합니다.
그리고 이 모든 것을 하나의 평균으로 요약하여 어떤 결론을 내리고 싶으신가요?
분명하지 않습니다. 순전히 우연에 의해 다른 것보다 더 나은 것이 더 자주 떨어질 것입니다 (두 번만하더라도) - 무슨 소용이 있습니까?
간단히 설명하기 위해 하나의 양자 테이블을 예로 들어보겠습니다.
결과적으로 예측 변수 1의 경우 5개의 양자 조각이 더 자주 떨어지고 예측 변수 2의 경우 3개의 양자 조각이 더 자주 떨어지는 식으로 계산할 수 있습니다.
각 예측자에 대한 컷오프가 다르다는 것을 인식해야 합니다.
그렇다면 이 모든 것을 하나의 평균으로 요약하여 어떤 결론을 내리고 싶으신가요?
각 기능마다 고유한 평균이 있습니다. 이러한 세그먼트가 몇 개나 있을까요? 시뮬레이션의 배수가 더 많아야 합니다.
이는 모두 해결할 수 있는 문제이며 원칙의 문제가 아니라 기술적인 문제입니다.
그래프가 정말 무작위라면 순전히 우연에 의해 1만 번 떨어질 수 있습니다. 그렇지 않다면 규칙성이 포함된 세그먼트가 발견될 것입니다.
각 칩에는 고유한 평균이 있습니다. 이러한 세그먼트는 총 몇 개가 있나요? 더 많은 수의 시뮬레이션이 있어야 합니다.
이것은 모두 해결할 수 있는 문제이며 원칙의 문제가 아니라 이미 기술적인 문제입니다.각 예측 변수에 대한 세그먼트의 수는 원본 샘플의 선택 결과에 따라 달라질 수 있으며 실제로 무작위 추출에는 중요하지 않습니다. 일반적으로 저는 900개의 테이블을 가지고 있지만 여기서 테이블 회계를 하는 것은 과도할 것입니다.
각 예측 변수에 대한 세그먼트의 수는 원본 샘플의 선택 결과를 기반으로 요약을 할 것입니다. 사실 무작위 추출에는 중요하지 않습니다. 일반적으로 저는 900개의 테이블을 가지고 있지만 여기서 테이블을 계산하는 것은 중복될 것입니다.
방금 몬테카를라로 세그먼트를 추정하는 방법을 썼습니다.
다른 방법은 모르겠습니다.방금 몬테카를라로 섹션을 추정하는 방법을 작성했습니다.
글쎄요, 이미 쉬고 있다면 Alexey 스타일로 결과에 대한 답을 얻는 데 시간을 낭비하는 것은 충분한 동기를 부여하지 않습니다.
이미 쉬고 있다면 또다시 시간을 낭비하며 알렉시 스타일로 결과에 대한 답을 얻는 것은 충분한 동기 부여가 되지 않습니다.
자신이하는 일을 이해하지 못하면 전혀하지 않고 다른 사람을 고문하지 않는 것이 낫기 때문입니다.)
그리고 거기에는 할 일이 없으며 모든 것이 간단합니다.
다른 옵션과 비교했을 때 이 패키지의 장점은 무엇인가요?
R 세션을 열고 MT5에서 요청을 보낼 수 있는 다른 옵션은 아직 만나보지 못했습니다.