얻은 결과는 나에게 매우 흥미롭고 예상치 못한 것 같습니다. (빨간 선이 +- 양을 넘지 않는 합산 차이에서 누적 VR을 표시한다는 것을 올바르게 이해했다면?) 심지어 매우 예상치 못한 것입니다. 두 번째로 놀란 것은 가격 데이터의 차이였습니다. 매우 분명했습니다. 그러나 합성 난수에 대해 어떤 종류의 분포를 요청했는지 묻겠습니다.
예, 누적 VR(이 예의 경우). 다시 한 번 (다른 스레드에서 내 게시물을 사용하고 약간 수정했습니다):
시장 모델
오랜 검색 끝에 시장 모델의 작동 버전으로 "임의 구조의 제어 시스템"과 같은 것을 채택했습니다. 내 생각에(수학은 아니지만) 이 모델은 모든 미묘함과 함께 인용 과정을 적절하게 설명합니다.
그 본질은 매우 간단합니다. 입력에서 출력으로의 변환을 설명하는 구조는 유한합니다. 이러한 각 구조는 변환이 일어나는 특정 모델의 존재를 전제로 합니다. 관찰된 프로세스는 구조 간의 전환(전환)에 의해 형성됩니다. 이 모든 것이 아래 그림에 나와 있습니다.
각 모델에는 켤 때마다 변경할 수 있는 매개변수 세트가 있습니다. 그래서 나는 두 개의 주요 프로세스만 있다고 가정했고 각 프로세스는 고유한 계층 구조를 가지고 있으며 계층 구조의 노드에 있는 각 요소는 고유한 구조를 가지고 있습니다.
프로세스 상호 작용
이 두 프로세스는 전환 매트릭스(아마도)에 따라 서로 경쟁합니다. 즉, 시장에 "외부"(물론 조건부로) 특정 시스템이 있으며, 이러한 시스템은 이러한 프로세스 간에 견적 생성을 전환합니다. 나중에 자세히 알려드릴께요
실습에 대한 적응
모든 것이 훌륭하지만 그러한 시스템을 정확하게 식별하는 것은 불가능합니다. 따라서 "결합 모델"을 소개합니다. A=W(1)MODEL1(매개변수)+ W(2)MODEL2(매개변수)+….+ W(n)MODELn(매개변수). 여기서 W(n)은 예측에서 이러한 모델의 참여 가중치입니다. 발명된 변환 덕분에 프로세스를 명시적으로 분리할 수 있습니다. 하지만 그건 나중에.
나는 무엇으로 일합니까?
나는 따옴표로 직접 작업하지 않습니다. 이것은 매우 복잡한 과정입니다. 나는 모든 종류의 까다로운 변형을 소개하지만 말한 내용은 그들에게도 적용됩니다. 어려움은 사라지지 않습니다 - 그것은 유전됩니다. 이 프로세스를 단순화할 방법이 없습니다. 그리고 여전히 단순화하면 프로세스 자체를 잃을 수 있습니다. (즉, 설명된 것보다 조금 더 복잡하지만 현상과 몇 가지 더 흥미로운 관찰을 보여주었습니다)
시계열 진화 분석
기본 단계. 이 단계에서 몇 가지 기준에 따라 가능한 모든 구조를 식별합니다. 이러한 구조 간의 전환 통계가 추정됩니다. 구조에 대한 천이 주파수 행렬이 결정됩니다. 앞으로는 소위 임펄스 신경망 (그렇지 않으면 파동)을 사용할 생각입니다. 매우 유망한 방향입니다.
연산
(1) 행동에 대한 몇 가지 가정을 하고 계획 기간에 있는 현재 시스템의 미래 상태에 대한 확률적 평가가 수행됩니다. 신경망은 획득한 초기 상태의 확률 행렬 p=f(time, kotir)를 따라 크롤링하고 차례로 진입/출구 지점의 존재에 대해 가정합니다. 그녀는 계획의 지평선에 진입/출구가 있는지 여부를 매우 정확하게 말할 수 있습니다. 찾는 일만 남았습니다.
(2) 정확한 예측을 작성하라는 명령이 주어집니다. 수행:
- "on" 현재 구조의 식별
- 가장 가능성 있는 미래 구조의 선택에 대한 평가
- 미래 모델의 매개변수 식별
(3) 시뮬레이션 진행 중
(4) 다음으로, 신경망은 결합된 모델의 계수를 추정합니다.
두 번째로 말하고 싶은 것은 이 스레드의 저자인 Markov transitions의 가설에 관한 것입니다. 증분의 자기상관(모듈로 취함)이 있기 때문에(람다 내부와 람다 외부에 증분을 할당하는 모델을 고수하는 경우) 일부 비무작위성을 찾을 수 있다고 생각합니다. 하지만 전체 가치 공간에 캐비티가 있는 원래 제안된 모델에 대해 생각한다면 여기도 모르겠고 시도해야 합니다.
아직 사고가 발견되지 않았으며 Alexei(Mathemat)의 대규모 연구는 이에 대한 증거입니다. 나는 그들을 확인, 그들은 정확합니다. 그러나 Markov 속성이 관찰되지 않으면 모든 것이 훨씬 더 복잡해지며 더 많이 발명해야 합니다.
관성이 작동하지 않습니다 :)
생각의 기차에 대해 자세히 설명해 주시겠습니까?
예: 일은 힘과 변위의 곱입니다. 관성은 힘이 아니므로 작동할 수 없습니다. 따라서 관성은 작동하지 않습니다. :)
GOP 중지.))
그리고 합법화! 잘했어 악마들!))))
생각의 기차에 대해 자세히 설명해 주시겠습니까?
예: 일은 힘과 변위의 곱입니다. 관성은 힘이 아니므로 작동할 수 없습니다. 따라서 관성은 작동하지 않습니다. :)
토픽 스타터의 100파운드 증거:
성공했다면 Forbes 목록에서 당신을 볼 수 없나요? :))
생각의 기차에 대해 자세히 설명해 주시겠습니까?
예: 일은 힘과 변위의 곱입니다. 관성은 힘이 아니므로 작동할 수 없습니다. 따라서 관성은 작동하지 않습니다. :)
토픽 스타터의 100파운드 증거:
성공했다면 Forbes 목록에서 당신을 볼 수 없나요? :))
생각의 관성. 효과가 있었다면 두 대의 냉장고에서 맥주를 마시고 아무것도하지 않았을 것입니다 :)
샤우브 난 그렇게 살았어!
오늘의 저점을 깨도록 주문하겠습니다. 관성으로 인해 100핍 더 굴러갈 수도 있습니다.
샤우브 난 그렇게 살았어!
오늘의 저점을 깨도록 주문하겠습니다. 아마도 또 다른 100핍 동안 관성으로 탈 것입니다.
샤우브 난 그렇게 살았어!
오늘의 저점을 깨도록 주문하겠습니다. 관성으로 인해 100핍 더 굴러갈 수도 있습니다.
가격을 예측한 샤우브! Paukas는 또 다른 60핍을 예측했습니다! - 여기 있습니다, 현상입니다!
:)
가격을 예측한 샤우브! Paukas는 또 다른 60핍을 예측했습니다! - 여기 있습니다, 현상입니다!
:)
몇 마디 덧붙이고 싶었다.
얻은 결과는 나에게 매우 흥미롭고 예상치 못한 것 같습니다. (빨간 선이 +- 양을 넘지 않는 합산 차이에서 누적 VR을 표시한다는 것을 올바르게 이해했다면?) 심지어 매우 예상치 못한 것입니다. 두 번째로 놀란 것은 가격 데이터의 차이였습니다. 매우 분명했습니다. 그러나 합성 난수에 대해 어떤 종류의 분포를 요청했는지 묻겠습니다.
예, 누적 VR(이 예의 경우). 다시 한 번 (다른 스레드에서 내 게시물을 사용하고 약간 수정했습니다):
시장 모델
오랜 검색 끝에 시장 모델의 작동 버전으로 "임의 구조의 제어 시스템"과 같은 것을 채택했습니다. 내 생각에(수학은 아니지만) 이 모델은 모든 미묘함과 함께 인용 과정을 적절하게 설명합니다.
그 본질은 매우 간단합니다. 입력에서 출력으로의 변환을 설명하는 구조는 유한합니다. 이러한 각 구조는 변환이 일어나는 특정 모델의 존재를 전제로 합니다. 관찰된 프로세스는 구조 간의 전환(전환)에 의해 형성됩니다. 이 모든 것이 아래 그림에 나와 있습니다.
각 모델에는 켤 때마다 변경할 수 있는 매개변수 세트가 있습니다. 그래서 나는 두 개의 주요 프로세스만 있다고 가정했고 각 프로세스는 고유한 계층 구조를 가지고 있으며 계층 구조의 노드에 있는 각 요소는 고유한 구조를 가지고 있습니다.
프로세스 상호 작용
이 두 프로세스는 전환 매트릭스(아마도)에 따라 서로 경쟁합니다. 즉, 시장에 "외부"(물론 조건부로) 특정 시스템이 있으며, 이러한 시스템은 이러한 프로세스 간에 견적 생성을 전환합니다. 나중에 자세히 알려드릴께요
실습에 대한 적응
모든 것이 훌륭하지만 그러한 시스템을 정확하게 식별하는 것은 불가능합니다. 따라서 "결합 모델"을 소개합니다. A=W(1)MODEL1(매개변수)+ W(2)MODEL2(매개변수)+….+ W(n)MODELn(매개변수). 여기서 W(n)은 예측에서 이러한 모델의 참여 가중치입니다. 발명된 변환 덕분에 프로세스를 명시적으로 분리할 수 있습니다. 하지만 그건 나중에.
나는 무엇으로 일합니까?
나는 따옴표로 직접 작업하지 않습니다. 이것은 매우 복잡한 과정입니다. 나는 모든 종류의 까다로운 변형을 소개하지만 말한 내용은 그들에게도 적용됩니다. 어려움은 사라지지 않습니다 - 그것은 유전됩니다. 이 프로세스를 단순화할 방법이 없습니다. 그리고 여전히 단순화하면 프로세스 자체를 잃을 수 있습니다. (즉, 설명된 것보다 조금 더 복잡하지만 현상과 몇 가지 더 흥미로운 관찰을 보여주었습니다)
시계열 진화 분석
기본 단계. 이 단계에서 몇 가지 기준에 따라 가능한 모든 구조를 식별합니다. 이러한 구조 간의 전환 통계가 추정됩니다. 구조에 대한 천이 주파수 행렬이 결정됩니다. 앞으로는 소위 임펄스 신경망 (그렇지 않으면 파동)을 사용할 생각입니다. 매우 유망한 방향입니다.
연산
(1) 행동에 대한 몇 가지 가정을 하고 계획 기간에 있는 현재 시스템의 미래 상태에 대한 확률적 평가가 수행됩니다. 신경망은 획득한 초기 상태의 확률 행렬 p=f(time, kotir)를 따라 크롤링하고 차례로 진입/출구 지점의 존재에 대해 가정합니다. 그녀는 계획의 지평선에 진입/출구가 있는지 여부를 매우 정확하게 말할 수 있습니다. 찾는 일만 남았습니다.
(2) 정확한 예측을 작성하라는 명령이 주어집니다. 수행:
- "on" 현재 구조의 식별
- 가장 가능성 있는 미래 구조의 선택에 대한 평가
- 미래 모델의 매개변수 식별
(3) 시뮬레이션 진행 중
(4) 다음으로, 신경망은 결합된 모델의 계수를 추정합니다.
두 번째로 말하고 싶은 것은 이 스레드의 저자인 Markov transitions의 가설에 관한 것입니다. 증분의 자기상관(모듈로 취함)이 있기 때문에(람다 내부와 람다 외부에 증분을 할당하는 모델을 고수하는 경우) 일부 비무작위성을 찾을 수 있다고 생각합니다. 하지만 전체 가치 공간에 캐비티가 있는 원래 제안된 모델에 대해 생각한다면 여기도 모르겠고 시도해야 합니다.
아직 사고가 발견되지 않았으며 Alexei(Mathemat)의 대규모 연구는 이에 대한 증거입니다. 나는 그들을 확인, 그들은 정확합니다. 그러나 Markov 속성이 관찰되지 않으면 모든 것이 훨씬 더 복잡해지며 더 많이 발명해야 합니다.