음, DFT를 사용하면 사인 및 코사인에 대한 2개의 계수 배열 + Ak0의 평균값이 형성됩니다. 왜냐하면 우리는 각 샘플에서 DFT를 사용합니다. 사실 Ak0 - 기간 = 창 크기인 SMA입니다. 따라서 나중에 주변의 고조파를 복원하기 위해 이동 평균을 외삽해야합니다.
나는 거기에서 코사인 변환을 사용했습니다. Hartley 변환을 사용할 수 있습니다(해당 계수에도 고정성이 있고 Hartley에는 푸리에 변환에 대한 변환 공식이 있으며 그 반대도 마찬가지입니다). 따로 예측해야 하는 것 같아서 오차가 커집니다. 하지만 내가 뭔가를 이해하지 못했을 수도 있습니다.
어떡해!!!!! 당신은 옆에서 당신의 아바타를 봅니다-하나님은 그러한 꿈을 금합니다. 나는 단지 당신을 올바른 길로 인도하고 싶습니다. 이것은 잘못된 정의입니다. 예를 들어 이 사이트의 TA 섹션에 더 정확한 것이 제공됩니다. 변경할 필요가 없는 단순히 확립된 정의가 있으며 악마는 무엇을 알고 있습니다. 게다가, 어떤 도구(올 5월에 제공된 당신의 도구를 포함하여)도 이 빌어먹을 위키피디아의 정의에 맞지 않습니다(단순히 가격 행동에 대한 실제 분석이 없으며 더군다나 그것이 말하는 것의 패턴도 없습니다). 가격과 관련된 모든 것이 이 정의에 해당합니다. 예를 들어, 완전히 자급자족하는 확률론적 금융 수학인 FA(예, 예, 히트)는 예를 들어 Shiryaev가 2권으로 된 책(사실 및 모델)에서 "고정/임의가 있는 확률 제어 시스템 자급자족할 수 있는 구조"라고 설명했다. 위의 모든 것은 가격 시리즈와 함께 작동하지만 TA와는 완전히 다른 원칙에 따라 작동합니다. 또 다른 이것.
TA를 분석 방법으로 정의한다면 동의합니다. 분석의 대상에 따라 TA의 정의를 제시했을 뿐입니다. 오직 그리고 모든 것. 그리고 하나는 옳고 다른 하나는 옳지 않다고 말하는 것은 이상합니다. 둘 다 정확하지만 다른 관점에서 주제를 설명합니다. 글쎄요, 관계형 데이터베이스에서처럼 - 하나의 객체 - 많은 관계가 있습니다.
아니, 아니! 자존심을 상하게하지 않을뿐입니다! 그건 그렇고, 나는 어디에도 당신의 지식에 대해 이야기하지 않았고 이름을 부르지 않았습니다 ... :o) 당신의 잠재 의식이 무엇을 숨기고 있는지 어떻게 알 수 있습니까?
적응형 TS의 문제점은 그 안에 내장된 특정 알고리즘에 따라 재학습되기도 하지만 시장 변화 알고리즘과 일치하지 않을 수 있다는 점이다. 즉, 시장을 변경하는 알고리즘은 일정 시간 동안 TS를 재교육하는 알고리즘과 일치한 다음 "분산"할 수 있습니다. 주어진 알고리즘에 따라 시장은 변하지 않는다 - 이것이 전체 문제 .....
당신과 동의.
이러한 이유로 단일 매개변수 적응 알고리즘으로 이동하는 것이 합리적으로 보입니다. 그렇다면 자위할 수 있는 펜의 수는 가능한 한 최소한입니다. 이 제한적인 경우에는 모델의 효율성이 가장 높지 않은 것처럼 보일 수 있으며 2,3 또는 5개의 매개변수를 설정할 때 보다 "고급" 결과를 얻을 수 있습니다. 그러나 고정성이 약한 조건(즉, 가격 VR이 없기 직전)에서는 최적의 구성이 최소 구성이므로 훈련 샘플의 길이와 최적화된 매개변수의 고정성에 대한 요구 사항은 최소입니다. 이 주장을 엄격하게 증명하는 것은 불가능하지만 시장에 대한 그것의 완전성은 정상성이 0에 가까워지는 제한적인 경우에 대한 경험과 타당성에 의해 입증됩니다.
이러한 관점에서 가격 VR(MA, 오실레이터, 이산 파티셔닝 등)을 분석하는 데 어떤 알고리즘을 사용할지는 중요하지 않으며 최적화 매개변수의 수가 1(극단적인 경우 2)이 되는 것이 중요합니다. 분명히 하나의 매개변수 알고리즘의 경우 매개변수 선택을 결정해야 합니다(가격과 시간 중 2개만 있음). 제 생각에 더 중요한 매개변수는 가격 규모입니다. 가격 변화를 보고 시장 진입 또는 퇴출을 결정하고 시간을 2차적으로만 분석합니다(핍박 전략을 의미하지 않음). 2-매개변수 모델의 경우 가격과 시간이라는 두 매개변수를 모두 고려해야 하지만 여기서 이미 언급했듯이 "짧은" 정상성(특성 수명이 훈련 샘플의 최소 길이). 세 개 이상의 매개변수 모델을 고려하는 것은 전혀 의미가 없는 것 같습니다. 이 두 매개변수의 선형 조합입니다.
특히 흥미로운 것은 EMA 분석입니다(이것은 최소 FZ를 사용하는 모든 것 중 가장 부드러운 이동 평균입니다). 이 Mashka는 하나의 매개변수를 포함하며 VR의 진폭 및 시간 구성요소를 고려합니다. 한마디로 2인 1조. 그러나 EMA를 사용하면 이것이 모두 사기이고 기적이 작동하지 않을 수 있습니다.
안녕하세요, 세르게이입니다. :o) 만나서 반가워요. 어디 갔어, 어떤 흥미로운 것들을 공부했니?
잠깐, 천천히 가자. 매우 구체적인 속성을 가진 시리즈를 변환하는 작업이 있습니다.
(1) 정지
(2) 정규성
(3) 역회복 능력
나는 훈련 샘플의 최적 길이를 찾고 시장에서 프로세스의 유사-정상성의 특성 시간과의 관계를 연구하는 문제에 대해 그동안 집중적으로 파고들었습니다. 원하는 값은 5-10% 수준인 것으로 나타났습니다. 그런 다음 재교육해야 합니다. DC의 수수료는 차례로 가격 변동의 최소 크기를 결정하고 거래 범위의 성장과 함께 시장 효율성의 점진적이지만 꾸준한 증가는 작업 영역을 명확하게 결정합니다. 그리고 나는 그것을 알아 냈습니다.
BP의 변형에 대한 질문에 대한 답변은 그러한 변형의 적절성을 모르겠습니다. "... 이것은 표준 통계 처리 방법을 사용할 수 있게 해줍니다..." 아무 말도 하지 마십시오. 소리, 제발, 바로 그 개념.
이러한 이유로 단일 매개변수 적응 알고리즘으로 이동하는 것이 합리적으로 보입니다. 그렇다면 자위할 수 있는 펜의 수는 가능한 한 최소한입니다. 이 제한적인 경우에는 모델의 효율성이 가장 높지 않은 것처럼 보일 수 있으며 2,3 또는 5개의 매개변수를 설정할 때 보다 "고급" 결과를 얻을 수 있습니다. 그러나 고정성이 약한 조건(즉, 가격 VR이 없기 직전)에서는 최적의 구성이 최소 구성이므로 훈련 샘플의 길이와 최적화된 매개변수의 고정성에 대한 요구 사항은 최소입니다. 이 주장을 엄격하게 증명하는 것은 불가능하지만 시장에 대한 그것의 완전성은 정상성이 0에 가까워지는 제한적인 경우에 대한 경험과 타당성에 의해 입증됩니다.
이러한 관점에서 가격 VR(MA, 오실레이터, 이산 파티셔닝 등)을 분석하는 데 어떤 알고리즘을 사용할지는 중요하지 않으며 최적화 매개변수의 수가 1(극단적인 경우 2)이 되는 것이 중요합니다. 분명히 하나의 매개변수 알고리즘의 경우 매개변수 선택을 결정해야 합니다(가격과 시간 중 2개만 있음). 제 생각에 더 중요한 매개변수는 가격 규모입니다. 가격 변화를 보고 시장 진입 또는 퇴출을 결정하고 시간을 2차적으로만 분석합니다(핍박 전략을 의미하지 않음). 2-매개변수 모델의 경우 가격과 시간이라는 두 매개변수를 모두 고려해야 하지만 여기서 이미 언급했듯이 "짧은" 정상성(특성 수명이 훈련 샘플의 최소 길이). 세 개 이상의 매개변수 모델을 고려하는 것은 전혀 의미가 없는 것 같습니다. 이 두 매개변수의 선형 조합입니다.
특히 흥미로운 것은 EMA 분석입니다(이것은 최소 FZ를 사용하는 모든 것 중 가장 부드러운 이동 평균입니다). 이 Mashka는 하나의 매개변수를 포함하며 VR의 진폭 및 시간 구성요소를 고려합니다. 한마디로 2인 1조. 그러나 EMA를 사용하면 이것이 모두 사기이고 기적이 작동하지 않을 수 있습니다.
나는 훈련 샘플의 최적 길이를 찾고 시장에서 프로세스의 유사-정상성의 특성 시간과의 관계를 연구하는 문제에 대해 그동안 집중적으로 파고들었습니다. 원하는 값은 5-10% 수준인 것으로 나타났습니다. 그런 다음 재교육해야 합니다. DC의 수수료는 차례로 가격 변동의 최소 크기를 결정하고 거래 범위의 성장과 함께 시장 효율성의 점진적이지만 꾸준한 증가는 작업 영역을 명확하게 결정합니다. 그리고 나는 그것을 알아 냈습니다.
BP의 변형에 관한 질문에 대한 답변으로, 나는 그러한 변형의 적절성을 모릅니다. "... 이것은 표준 통계 처리 방법을 사용할 수 있게 해줍니다..." 아무 말도 하지 마십시오. 소리, 제발, 바로 그 개념.
1) 약한 고정성은 그것의 부재의 벼랑이 아니며 시장도 그렇지 않다 약한 고정 과정은 평균 = const, st.dev일 때이다. 시장의 이질성과 변동성의 가변성으로 인해 시간에 따라 달라집니다(그러나 그다지 많지는 않음), 이는 관성입니다 - 이것은 예측 가능한 과정입니다. 시장은 비정상 과정입니다. 평균은 또한 시간에 따라 달라지며 이 의존성은 공식으로 쉽게 설명할 수 있습니다. 이를 통해 특정 기간 동안 가격 극한값을 결정할 수 있으며 그 이상으로 가격은 우리가 설정한 확률과 혼동되지 않습니다. 가격 움직임의 방향을 결정합니다.약하게 고정된 과정을 얻기는 쉽지만, 그건 불운, 일반적으로 이익이 낮고, 자본이 크면 일반적으로 무차원 유동성에 대한 엉덩이와 동화가 끝납니다. 약한 남자. 프로세스는 쓰레기통에 버려질 수 있습니다. 작업은 수익성이 높은 제어된 프로세스를 얻고 매우 안정적으로 어딘가에서 포기하는 것입니다.
2) "짧은" 고정성 문제에 부딪히지 않기 위해 FA 및 자본 가격 구조와 통계 테스트가 있습니다.
3) EMA - 내 기준에 따르면 FZ = 1/3인 일반 IIR 필터 예, 1/10을 사용해도 작동하지 않지만 막대 자체에는 이미 FZ가 있습니다.
4) 이러한 변환의 편의성은 높지만 "Forex" 표시가 있는 가로등을 변경할 필요가 있습니다.
4) 이러한 변환의 편의성은 높지만 "Forex" 표시가 있는 가로등을 변경할 필요가 있습니다.
이것은 아마도 가치있는 언급 일 수 있지만 그러한 변환의 편의성은 아직 완전히 공개되지 않았습니다.
FOXXXi , 스스로 판단하십시오: 우리는 MO와 비정상 모멘트가 거의 없는 통합 SV인 가격대를 가지고 있습니다. 고정 시리즈로의 변환에 대한 아이디어는 순간이 다른 것에 대한 기능적 의존성이 있음을 의미합니다(예: 하루 중 시간 등). 따라서 "정상화"의 작업은 이 기능적 종속성을 드러내고 이를 악용하는 것으로 귀결됩니다. 그러나 이 종속성이 존재하지 않거나 자체가 고정적이지 않은 경우에는 어떻게 될까요?
우리는 조만간 무너질 것이라는 사실에주의를 기울이지 않고 모래성을 건설하려고합니다. 아름다운 말과 과학에 빠져 이 모든 행동의 부적절함을 놓치고 있지 않나 생각합니다. 우리는 결과가 중요하지 않지만 프로세스 자체가 흥미로운 게임을 얻습니다. 그리고 이 "정상성"은 우리에게 무엇을 줄까요? 필요할 때마다 Expert Advisor를 최적화하지 않을 가능성... 한 달에 한 번 다시 최적화하는 것은 큰 일입니다! 일반적으로 문제에 대한 나의 이해 수준에 따르면 문제가 될 가치가 없습니다. 다른 것들과 마찬가지로 Forex에서도 많습니다.
적응형 TS의 문제점은 그 안에 내장된 특정 알고리즘에 따라 재학습되기도 하지만 시장 변화 알고리즘과 일치하지 않을 수 있다는 점이다. 즉, 시장을 변경하는 알고리즘은 일정 시간 동안 TS를 재교육하는 알고리즘과 일치한 다음 "분산"할 수 있습니다. 주어진 알고리즘에 따라 시장은 변하지 않는다 - 이것이 전체 문제 .....
올바른 지적. 그러나 때로는 초기 최적화를 통해 적응형 EA를 올바른 방향으로 설정할 수 있으며 자체적으로 더 나아갈 것입니다. 그러나 모두 동일하게 시장과 어댑터의 의견은 다릅니다.
음, DFT를 사용하면 사인 및 코사인에 대한 2개의 계수 배열 + Ak0의 평균값이 형성됩니다. 왜냐하면 우리는 각 샘플에서 DFT를 사용합니다. 사실 Ak0 - 기간 = 창 크기인 SMA입니다. 따라서 나중에 주변의 고조파를 복원하기 위해 이동 평균을 외삽해야합니다.
나는 거기에서 코사인 변환을 사용했습니다. Hartley 변환을 사용할 수 있습니다(해당 계수에도 고정성이 있고 Hartley에는 푸리에 변환에 대한 변환 공식이 있으며 그 반대도 마찬가지입니다). 따로 예측해야 하는 것 같아서 오차가 커집니다. 하지만 내가 뭔가를 이해하지 못했을 수도 있습니다.
어떡해!!!!! 당신은 옆에서 당신의 아바타를 봅니다-하나님은 그러한 꿈을 금합니다. 나는 단지 당신을 올바른 길로 인도하고 싶습니다. 이것은 잘못된 정의입니다. 예를 들어 이 사이트의 TA 섹션에 더 정확한 것이 제공됩니다. 변경할 필요가 없는 단순히 확립된 정의가 있으며 악마는 무엇을 알고 있습니다. 게다가, 어떤 도구(올 5월에 제공된 당신의 도구를 포함하여)도 이 빌어먹을 위키피디아의 정의에 맞지 않습니다(단순히 가격 행동에 대한 실제 분석이 없으며 더군다나 그것이 말하는 것의 패턴도 없습니다). 가격과 관련된 모든 것이 이 정의에 해당합니다. 예를 들어, 완전히 자급자족하는 확률론적 금융 수학인 FA(예, 예, 히트)는 예를 들어 Shiryaev가 2권으로 된 책(사실 및 모델)에서 "고정/임의가 있는 확률 제어 시스템 자급자족할 수 있는 구조"라고 설명했다. 위의 모든 것은 가격 시리즈와 함께 작동하지만 TA와는 완전히 다른 원칙에 따라 작동합니다. 또 다른 이것.
TA를 분석 방법으로 정의한다면 동의합니다. 분석의 대상에 따라 TA의 정의를 제시했을 뿐입니다. 오직 그리고 모든 것. 그리고 하나는 옳고 다른 하나는 옳지 않다고 말하는 것은 이상합니다. 둘 다 정확하지만 다른 관점에서 주제를 설명합니다. 글쎄요, 관계형 데이터베이스에서처럼 - 하나의 객체 - 많은 관계가 있습니다.
아니, 아니! 자존심을 상하게하지 않을뿐입니다! 그건 그렇고, 나는 어디에도 당신의 지식에 대해 이야기하지 않았고 이름을 부르지 않았습니다 ... :o) 당신의 잠재 의식이 무엇을 숨기고 있는지 어떻게 알 수 있습니까?
... 매우 한심해 보입니다. 주제에 대한 지식과 이해는 무시할 수 있습니다. 모든 움직임을 기록했습니다!!! ))) 그러나 잊어 버리자 ... 무엇을 저어 줄 것인가. 나는 단지 그것을 좋아합니다 - 역사적 진실을 위해.
전혀 중요하지 않았다면 나는 오래 전에 잊어 버렸을 것입니다.
그것은 정말 중요하지 않습니다. 우리가 하는 일의 본질은 분류의 미묘함에 달려 있지 않습니다. 한 가지 기준으로, 다른 한 가지 기준으로 - 그렇지 않으면. 이 모든 것은 단지 말일 뿐입니다.
가다!!!! 동의한다!!! 더 말하지 마!!! 나는 일반적으로 평화롭습니다. 조금 지루할 수도 있지만 평화롭습니다. :에 대한))))
세계.
만세. 그게 다야 - 주제를 닫았습니다.
TA를 분석 방법으로 정의한다면 동의합니다. 분석의 대상에 따라 TA의 정의를 제시했을 뿐입니다. ...
그리고 언제나 그렇듯이 상식이 우선합니다. :에 대한)
적응형 TS의 문제점은 그 안에 내장된 특정 알고리즘에 따라 재학습되기도 하지만 시장 변화 알고리즘과 일치하지 않을 수 있다는 점이다. 즉, 시장을 변경하는 알고리즘은 일정 시간 동안 TS를 재교육하는 알고리즘과 일치한 다음 "분산"할 수 있습니다. 주어진 알고리즘에 따라 시장은 변하지 않는다 - 이것이 전체 문제 .....
당신과 동의.
이러한 이유로 단일 매개변수 적응 알고리즘으로 이동하는 것이 합리적으로 보입니다. 그렇다면 자위할 수 있는 펜의 수는 가능한 한 최소한입니다. 이 제한적인 경우에는 모델의 효율성이 가장 높지 않은 것처럼 보일 수 있으며 2,3 또는 5개의 매개변수를 설정할 때 보다 "고급" 결과를 얻을 수 있습니다. 그러나 고정성이 약한 조건(즉, 가격 VR이 없기 직전)에서는 최적의 구성이 최소 구성이므로 훈련 샘플의 길이와 최적화된 매개변수의 고정성에 대한 요구 사항은 최소입니다. 이 주장을 엄격하게 증명하는 것은 불가능하지만 시장에 대한 그것의 완전성은 정상성이 0에 가까워지는 제한적인 경우에 대한 경험과 타당성에 의해 입증됩니다.
이러한 관점에서 가격 VR(MA, 오실레이터, 이산 파티셔닝 등)을 분석하는 데 어떤 알고리즘을 사용할지는 중요하지 않으며 최적화 매개변수의 수가 1(극단적인 경우 2)이 되는 것이 중요합니다. 분명히 하나의 매개변수 알고리즘의 경우 매개변수 선택을 결정해야 합니다(가격과 시간 중 2개만 있음). 제 생각에 더 중요한 매개변수는 가격 규모입니다. 가격 변화를 보고 시장 진입 또는 퇴출을 결정하고 시간을 2차적으로만 분석합니다(핍박 전략을 의미하지 않음). 2-매개변수 모델의 경우 가격과 시간이라는 두 매개변수를 모두 고려해야 하지만 여기서 이미 언급했듯이 "짧은" 정상성(특성 수명이 훈련 샘플의 최소 길이). 세 개 이상의 매개변수 모델을 고려하는 것은 전혀 의미가 없는 것 같습니다. 이 두 매개변수의 선형 조합입니다.
특히 흥미로운 것은 EMA 분석입니다(이것은 최소 FZ를 사용하는 모든 것 중 가장 부드러운 이동 평균입니다). 이 Mashka는 하나의 매개변수를 포함하며 VR의 진폭 및 시간 구성요소를 고려합니다. 한마디로 2인 1조. 그러나 EMA를 사용하면 이것이 모두 사기이고 기적이 작동하지 않을 수 있습니다.
잔디 작성 >>
안녕하세요, 세르게이입니다. :o) 만나서 반가워요. 어디 갔어, 어떤 흥미로운 것들을 공부했니?
잠깐, 천천히 가자. 매우 구체적인 속성을 가진 시리즈를 변환하는 작업이 있습니다.
(1) 정지
(2) 정규성
(3) 역회복 능력
나는 훈련 샘플의 최적 길이를 찾고 시장에서 프로세스의 유사-정상성의 특성 시간과의 관계를 연구하는 문제에 대해 그동안 집중적으로 파고들었습니다. 원하는 값은 5-10% 수준인 것으로 나타났습니다. 그런 다음 재교육해야 합니다. DC의 수수료는 차례로 가격 변동의 최소 크기를 결정하고 거래 범위의 성장과 함께 시장 효율성의 점진적이지만 꾸준한 증가는 작업 영역을 명확하게 결정합니다. 그리고 나는 그것을 알아 냈습니다.
BP의 변형에 대한 질문에 대한 답변은 그러한 변형의 적절성을 모르겠습니다. "... 이것은 표준 통계 처리 방법을 사용할 수 있게 해줍니다..." 아무 말도 하지 마십시오. 소리, 제발, 바로 그 개념.
이것은 정확하지만 다음 속성을 가진 원래 가격 시리즈의 변환을 얻습니다.
물론 몇 가지 수용 가능한 가정이 있으면 가능합니다. "이것이 왜 필요한가"라는 질문에 대한 대답은 매우 간단하며 유일한 것은 검증된(검증된) 마타파라트를 사용할 수 있는 능력뿐입니다. 내 임호.
이것에 대해 논쟁하는 것은 불가능합니다.
그리고 언제나 그렇듯이 상식이 우선합니다. :에 대한)
당신과 동의.
이러한 이유로 단일 매개변수 적응 알고리즘으로 이동하는 것이 합리적으로 보입니다. 그렇다면 자위할 수 있는 펜의 수는 가능한 한 최소한입니다. 이 제한적인 경우에는 모델의 효율성이 가장 높지 않은 것처럼 보일 수 있으며 2,3 또는 5개의 매개변수를 설정할 때 보다 "고급" 결과를 얻을 수 있습니다. 그러나 고정성이 약한 조건(즉, 가격 VR이 없기 직전)에서는 최적의 구성이 최소 구성이므로 훈련 샘플의 길이와 최적화된 매개변수의 고정성에 대한 요구 사항은 최소입니다. 이 주장을 엄격하게 증명하는 것은 불가능하지만 시장에 대한 그것의 완전성은 정상성이 0에 가까워지는 제한적인 경우에 대한 경험과 타당성에 의해 입증됩니다.
이러한 관점에서 가격 VR(MA, 오실레이터, 이산 파티셔닝 등)을 분석하는 데 어떤 알고리즘을 사용할지는 중요하지 않으며 최적화 매개변수의 수가 1(극단적인 경우 2)이 되는 것이 중요합니다. 분명히 하나의 매개변수 알고리즘의 경우 매개변수 선택을 결정해야 합니다(가격과 시간 중 2개만 있음). 제 생각에 더 중요한 매개변수는 가격 규모입니다. 가격 변화를 보고 시장 진입 또는 퇴출을 결정하고 시간을 2차적으로만 분석합니다(핍박 전략을 의미하지 않음). 2-매개변수 모델의 경우 가격과 시간이라는 두 매개변수를 모두 고려해야 하지만 여기서 이미 언급했듯이 "짧은" 정상성(특성 수명이 훈련 샘플의 최소 길이). 세 개 이상의 매개변수 모델을 고려하는 것은 전혀 의미가 없는 것 같습니다. 이 두 매개변수의 선형 조합입니다.
특히 흥미로운 것은 EMA 분석입니다(이것은 최소 FZ를 사용하는 모든 것 중 가장 부드러운 이동 평균입니다). 이 Mashka는 하나의 매개변수를 포함하며 VR의 진폭 및 시간 구성요소를 고려합니다. 한마디로 2인 1조. 그러나 EMA를 사용하면 이것이 모두 사기이고 기적이 작동하지 않을 수 있습니다.
나는 훈련 샘플의 최적 길이를 찾고 시장에서 프로세스의 유사-정상성의 특성 시간과의 관계를 연구하는 문제에 대해 그동안 집중적으로 파고들었습니다. 원하는 값은 5-10% 수준인 것으로 나타났습니다. 그런 다음 재교육해야 합니다. DC의 수수료는 차례로 가격 변동의 최소 크기를 결정하고 거래 범위의 성장과 함께 시장 효율성의 점진적이지만 꾸준한 증가는 작업 영역을 명확하게 결정합니다. 그리고 나는 그것을 알아 냈습니다.
BP의 변형에 관한 질문에 대한 답변으로, 나는 그러한 변형의 적절성을 모릅니다. "... 이것은 표준 통계 처리 방법을 사용할 수 있게 해줍니다..." 아무 말도 하지 마십시오. 소리, 제발, 바로 그 개념.
1) 약한 고정성은 그것의 부재의 벼랑이 아니며 시장도 그렇지 않다 약한 고정 과정은 평균 = const, st.dev일 때이다. 시장의 이질성과 변동성의 가변성으로 인해 시간에 따라 달라집니다(그러나 그다지 많지는 않음), 이는 관성입니다 - 이것은 예측 가능한 과정입니다. 시장은 비정상 과정입니다. 평균은 또한 시간에 따라 달라지며 이 의존성은 공식으로 쉽게 설명할 수 있습니다. 이를 통해 특정 기간 동안 가격 극한값을 결정할 수 있으며 그 이상으로 가격은 우리가 설정한 확률과 혼동되지 않습니다. 가격 움직임의 방향을 결정합니다.약하게 고정된 과정을 얻기는 쉽지만, 그건 불운, 일반적으로 이익이 낮고, 자본이 크면 일반적으로 무차원 유동성에 대한 엉덩이와 동화가 끝납니다. 약한 남자. 프로세스는 쓰레기통에 버려질 수 있습니다. 작업은 수익성이 높은 제어된 프로세스를 얻고 매우 안정적으로 어딘가에서 포기하는 것입니다.
2) "짧은" 고정성 문제에 부딪히지 않기 위해 FA 및 자본 가격 구조와 통계 테스트가 있습니다.
3) EMA - 내 기준에 따르면 FZ = 1/3인 일반 IIR 필터 예, 1/10을 사용해도 작동하지 않지만 막대 자체에는 이미 FZ가 있습니다.
4) 이러한 변환의 편의성은 높지만 "Forex" 표시가 있는 가로등을 변경할 필요가 있습니다.
4) 이러한 변환의 편의성은 높지만 "Forex" 표시가 있는 가로등을 변경할 필요가 있습니다.
이것은 아마도 가치있는 언급 일 수 있지만 그러한 변환의 편의성은 아직 완전히 공개되지 않았습니다.
FOXXXi , 스스로 판단하십시오: 우리는 MO와 비정상 모멘트가 거의 없는 통합 SV인 가격대를 가지고 있습니다. 고정 시리즈로의 변환에 대한 아이디어는 순간이 다른 것에 대한 기능적 의존성이 있음을 의미합니다(예: 하루 중 시간 등). 따라서 "정상화"의 작업은 이 기능적 종속성을 드러내고 이를 악용하는 것으로 귀결됩니다. 그러나 이 종속성이 존재하지 않거나 자체가 고정적이지 않은 경우에는 어떻게 될까요?
우리는 조만간 무너질 것이라는 사실에주의를 기울이지 않고 모래성을 건설하려고합니다. 아름다운 말과 과학에 빠져 이 모든 행동의 부적절함을 놓치고 있지 않나 생각합니다. 우리는 결과가 중요하지 않지만 프로세스 자체가 흥미로운 게임을 얻습니다. 그리고 이 "정상성"은 우리에게 무엇을 줄까요? 필요할 때마다 Expert Advisor를 최적화하지 않을 가능성... 한 달에 한 번 다시 최적화하는 것은 큰 일입니다! 일반적으로 문제에 대한 나의 이해 수준에 따르면 문제가 될 가치가 없습니다. 다른 것들과 마찬가지로 Forex에서도 많습니다.
적응형 TS의 문제점은 그 안에 내장된 특정 알고리즘에 따라 재학습되기도 하지만 시장 변화 알고리즘과 일치하지 않을 수 있다는 점이다. 즉, 시장을 변경하는 알고리즘은 일정 시간 동안 TS를 재교육하는 알고리즘과 일치한 다음 "분산"할 수 있습니다. 주어진 알고리즘에 따라 시장은 변하지 않는다 - 이것이 전체 문제 .....
올바른 지적. 그러나 때로는 초기 최적화를 통해 적응형 EA를 올바른 방향으로 설정할 수 있으며 자체적으로 더 나아갈 것입니다. 그러나 모두 동일하게 시장과 어댑터의 의견은 다릅니다.
FOXXXi писал(а) >>
작업은 수익성이 높은 제어된 프로세스를 얻고 매우 안정적으로 어딘가에서 포기하는 것입니다.
이 경우 매우 위험하고 통제되지 않는 프로세스가 발생합니다. 절대적으로 고정적이지 않습니다.