스비노사우루스는 그 가지의 부모였지만 Mathemat 가 말했듯이 가장 흥미로운 것은 가지의 중간에 있습니다. 그리고 흥미롭게도 대체로 그의 장점은 아니지만
유리크스 ,수학 ,칸디다 ,MetaDriver및 기타 여러분이 관심을 가질 만한 내용을 읽어보십시오.
50페이지에서 진주를 낚아채는 것은 압도적인 작업입니다... 테마를 개발 중일 때 주류와 맥락에서 감정과 절제된 표현이 있더라도 모든 것이 명확하고 이해할 수 있습니다. 테마는 살아있는 것과 같습니다 유기체. 그리고 지금은 다릅니다. 이미 동결된 포메이션이고 컨텍스트가 동일하지 않습니다 ... 초록이 나타날 때까지 기다릴 것입니다 ...
1. TS 최적화를 수행한 경우 성공적인 순방향 테스트가 특정 위치, 즉 예를 들어, 이익 계수가 1.6 이상인 경우 순방향 테스트는 배수 테스트일 가능성이 높으며 일부 값 미만이면 배수 테스트이기도 합니다. 최적화 구간의 드로다운이 일정 한도를 넘으면 높은 확률로 순방향 테스트에 실패하게 됩니다. 기대도 마찬가지입니다. 최적화 결과의 스프레드와 비교하여 중요하지 않은 예상 값은 실패한 순방향 테스트에 선행합니다. 저것들. 최적화 결과와 순방향 테스트의 성공 사이에는 약간의 종속성이 있으므로 이 모든 것을 보다 정확하게 공식화해야 합니다. 우리는 연구에 적합한(문맥에 해당하는) 방법을 찾기 위해 참고서로 올라갑니다. 예를 들어, ROC 분석이 뒤따르는 로지스틱 회귀가 우리의 맥락에 적합한 것으로 보인다는 것을 발견했습니다. 이를 통해 기능(적합 매개변수)에 따라 이벤트(정방향 테스트)의 성공 확률을 계산할 수 있습니다. 확실하지는 않지만 이론적으로 적합하기 때문입니다. 가장 일반적인 로지스틱 회귀는 선형이지만 비선형 형태로 가져오는 것이 좋습니다. 그러나 이것은 여전히 추측일 뿐이며 선형성이 눈에 충분할 수 있습니다.
2. 순방향 테스트의 초기 부분이 있습니다. 예를 들어 LSM 또는 거듭제곱 다항식에 의한 근사를 통해 외삽을 위해 비선형 회귀를 사용하여 수학적 모델을 구축해야 합니다.
3. 항목 1의 데이터와 항목 2의 모델이 있습니다. 모델에서 전방의 알려진 세그먼트의 편차(경제학 용어의 잔차)에 대해 항목 2의 모델을 조사합니다. 우리는 순방향 테스트의 알려진 세그먼트의 특성과 그 편차를 조사하고 단락 1의 데이터를 가져오고 예를 들어 위의 동일한 로지스틱 회귀를 사용하여 분석한 후 순방향 테스트가 그렇지 않을 확률을 계산합니다. 그러나 증기가 부족하고 향후 이익 거래에 대한 충분한 잠재력이 있습니다(그렇지 않으면 모든 것을 다시 최적화하고 또 다른 성공적인 포워드 테스트를 찾아야 함).
1. TS 최적화를 수행한 경우 성공적인 순방향 테스트가 특정 위치, 즉 예를 들어, 이익 계수가 1.6 이상인 경우 순방향 테스트는 배수 테스트일 가능성이 높으며 일부 값 미만이면 배수 테스트이기도 합니다. 최적화 구간의 드로다운이 일정 한도를 넘으면 높은 확률로 순방향 테스트에 실패하게 됩니다. 기대도 마찬가지다. 최적화 결과의 스프레드와 비교하여 중요하지 않은 예상 값은 실패한 순방향 테스트에 선행합니다. 저것들. 최적화 결과와 순방향 테스트의 성공 사이에는 약간의 종속성이 있으므로 이 모든 것을 보다 정확하게 공식화해야 합니다. 우리는 연구에 적합한(문맥에 해당하는) 방법을 찾기 위해 참고서로 올라갑니다. 예를 들어, ROC 분석이 뒤따르는 로지스틱 회귀가 우리의 맥락에 적합한 것으로 보인다는 것을 발견했습니다. 이를 통해 기능(적합 매개변수)에 따라 이벤트(정방향 테스트)의 성공 확률을 계산할 수 있습니다. 확실하지는 않지만 이론적으로 적합하기 때문입니다. 가장 일반적인 로지스틱 회귀는 선형이지만 비선형 형태로 가져오는 것이 좋습니다. 그러나 이것은 여전히 추측일 뿐이며 선형성이 눈에 충분할 수 있습니다.
2. 순방향 테스트의 초기 부분이 있습니다. 예를 들어 LSM 또는 거듭제곱 다항식에 의한 근사를 통해 외삽을 위해 비선형 회귀를 사용하여 수학적 모델을 구축해야 합니다.
3. 항목 1의 데이터와 항목 2의 모델이 있습니다. 모델에서 전방의 알려진 세그먼트의 편차(경제학 용어의 잔차)에 대해 항목 2의 모델을 조사합니다. 우리는 순방향 테스트의 알려진 세그먼트의 특성과 그 편차를 조사하고 단락 1의 데이터를 가져오고 예를 들어 위의 동일한 로지스틱 회귀를 사용하여 분석한 후 순방향 테스트가 그렇지 않을 확률을 계산합니다. 그러나 증기가 부족하고 향후 이익 거래에 대한 충분한 잠재력이 있습니다(그렇지 않으면 모든 것을 다시 최적화하고 또 다른 성공적인 포워드 테스트를 찾아야 함).
1. TS 최적화를 수행한 경우 성공적인 순방향 테스트가 특정 위치, 즉 예를 들어, 이익 계수가 1.6 이상인 경우 순방향 테스트는 배수 테스트일 가능성이 높으며 일부 값 미만이면 배수 테스트이기도 합니다. 최적화 구간의 드로다운이 일정 한도를 넘으면 높은 확률로 순방향 테스트에 실패하게 됩니다. 기대도 마찬가지다. 최적화 결과의 스프레드와 비교하여 중요하지 않은 예상 값은 실패한 순방향 테스트에 선행합니다. 저것들. 최적화 결과와 순방향 테스트의 성공 사이에는 약간의 종속성이 있으므로 이 모든 것을 보다 정확하게 공식화해야 합니다. 우리는 연구에 적합한(문맥에 해당하는) 방법을 찾기 위해 참고서로 올라갑니다. 예를 들어, ROC 분석이 뒤따르는 로지스틱 회귀가 우리의 맥락에 적합한 것으로 보인다는 것을 발견했습니다. 이를 통해 기능(적합 매개변수)에 따라 이벤트(정방향 테스트)의 성공 확률을 계산할 수 있습니다. 확실하지는 않지만 이론적으로 적합하기 때문입니다. 가장 일반적인 로지스틱 회귀는 선형이지만 비선형 형태로 가져오는 것이 좋습니다. 그러나 이것은 여전히 추측일 뿐이며 선형성이 눈에 충분할 수 있습니다.
2. 순방향 테스트의 초기 부분이 있습니다. 예를 들어 LSM 또는 거듭제곱 다항식에 의한 근사를 통해 외삽을 위해 비선형 회귀를 사용하여 수학적 모델을 구축해야 합니다.
3. 항목 1의 데이터와 항목 2의 모델이 있습니다. 모델에서 전방의 알려진 세그먼트의 편차(경제학 용어의 잔차)에 대해 항목 2의 모델을 조사합니다. 우리는 순방향 테스트의 알려진 세그먼트의 특성과 그 편차를 조사하고 단락 1의 데이터를 가져오고 예를 들어 위의 동일한 로지스틱 회귀를 사용하여 분석한 후 순방향 테스트가 그렇지 않을 확률을 계산합니다. 그러나 증기가 부족하고 향후 이익 거래에 대한 충분한 잠재력이 있습니다(그렇지 않으면 모든 것을 다시 최적화하고 또 다른 성공적인 포워드 테스트를 찾아야 함).
다음은 앞으로의 테스트를 연구하기 위한 대략적인 계획입니다.
MQL에 익숙하고 일반적으로 프로그래밍한지 2개월 밖에 되지 않아 아는 것도 많지 않지만 MQL 도구를 사용하여 이 아이디어를 테스트하는 것은 기술적으로 어려운 일인 것 같습니다.
여기에서 테스트할 때 테스터가 스스로를 호출해야 합니다. 옵션으로 두 개의 터미널에서 테스터를 사용할 수 있지만 이것이 가능한 경우(그리고 고문에서 테스터를 실행할 수 있는 경우).
스비노사우루스는 그 가지의 부모였지만 Mathemat 가 말했듯이 가장 흥미로운 것은 가지의 중간에 있습니다. 그리고 흥미롭게도 대체로 그의 장점은 아니지만
유리크스 , 수학 , 칸디다 , MetaDriver 및 기타 여러분이 관심을 가질 만한 내용을 읽어보십시오.
금요일이 이제 막 시작되었고 목요일부터...
오직 Neutron만이 합리적인 것을 설명했습니다.
2 중성자. 다음 단계는 "두 번째" 프로세스의 출현을 위한 시간 간격의 분포를 살펴보는 것입니다. 보여주세요!
rsi :
다음 단계는 "두 번째" 프로세스의 출현을 위한 시간 간격의 분포를 살펴보는 것입니다.
여기저기 찔러보고 있어요.
여기에서 흥미로운 것을 볼 수 있습니다. 실제로 이 아이디어를 기반으로 구축된 TS의 형평성은 점점 커지고 있습니다. 나는 이것이 얼마나 사고인지 ... 모든 것이 그렇지 않을 가능성이 높은 것이 분명하지만 흥미 롭습니다!
그리고 이 경우 비선형 회귀 분석의 도움으로 무엇을 결정할 수 있습니까?
먼저 작업을 여러 부분으로 나누어야 합니다.
1. TS 최적화를 수행한 경우 성공적인 순방향 테스트가 특정 위치, 즉 예를 들어, 이익 계수가 1.6 이상인 경우 순방향 테스트는 배수 테스트일 가능성이 높으며 일부 값 미만이면 배수 테스트이기도 합니다. 최적화 구간의 드로다운이 일정 한도를 넘으면 높은 확률로 순방향 테스트에 실패하게 됩니다. 기대도 마찬가지입니다. 최적화 결과의 스프레드와 비교하여 중요하지 않은 예상 값은 실패한 순방향 테스트에 선행합니다. 저것들. 최적화 결과와 순방향 테스트의 성공 사이에는 약간의 종속성이 있으므로 이 모든 것을 보다 정확하게 공식화해야 합니다. 우리는 연구에 적합한(문맥에 해당하는) 방법을 찾기 위해 참고서로 올라갑니다. 예를 들어, ROC 분석이 뒤따르는 로지스틱 회귀가 우리의 맥락에 적합한 것으로 보인다는 것을 발견했습니다. 이를 통해 기능(적합 매개변수)에 따라 이벤트(정방향 테스트)의 성공 확률을 계산할 수 있습니다. 확실하지는 않지만 이론적으로 적합하기 때문입니다. 가장 일반적인 로지스틱 회귀는 선형이지만 비선형 형태로 가져오는 것이 좋습니다. 그러나 이것은 여전히 추측일 뿐이며 선형성이 눈에 충분할 수 있습니다.
2. 순방향 테스트의 초기 부분이 있습니다. 예를 들어 LSM 또는 거듭제곱 다항식에 의한 근사를 통해 외삽을 위해 비선형 회귀를 사용하여 수학적 모델을 구축해야 합니다.
3. 항목 1의 데이터와 항목 2의 모델이 있습니다. 모델에서 전방의 알려진 세그먼트의 편차(경제학 용어의 잔차)에 대해 항목 2의 모델을 조사합니다. 우리는 순방향 테스트의 알려진 세그먼트의 특성과 그 편차를 조사하고 단락 1의 데이터를 가져오고 예를 들어 위의 동일한 로지스틱 회귀를 사용하여 분석한 후 순방향 테스트가 그렇지 않을 확률을 계산합니다. 그러나 증기가 부족하고 향후 이익 거래에 대한 충분한 잠재력이 있습니다(그렇지 않으면 모든 것을 다시 최적화하고 또 다른 성공적인 포워드 테스트를 찾아야 함).
다음은 앞으로의 테스트를 연구하기 위한 대략적인 계획입니다.
먼저 작업을 여러 부분으로 나누어야 합니다.
1. TS 최적화를 수행한 경우 성공적인 순방향 테스트가 특정 위치, 즉 예를 들어, 이익 계수가 1.6 이상인 경우 순방향 테스트는 배수 테스트일 가능성이 높으며 일부 값 미만이면 배수 테스트이기도 합니다. 최적화 구간의 드로다운이 일정 한도를 넘으면 높은 확률로 순방향 테스트에 실패하게 됩니다. 기대도 마찬가지다. 최적화 결과의 스프레드와 비교하여 중요하지 않은 예상 값은 실패한 순방향 테스트에 선행합니다. 저것들. 최적화 결과와 순방향 테스트의 성공 사이에는 약간의 종속성이 있으므로 이 모든 것을 보다 정확하게 공식화해야 합니다. 우리는 연구에 적합한(문맥에 해당하는) 방법을 찾기 위해 참고서로 올라갑니다. 예를 들어, ROC 분석이 뒤따르는 로지스틱 회귀가 우리의 맥락에 적합한 것으로 보인다는 것을 발견했습니다. 이를 통해 기능(적합 매개변수)에 따라 이벤트(정방향 테스트)의 성공 확률을 계산할 수 있습니다. 확실하지는 않지만 이론적으로 적합하기 때문입니다. 가장 일반적인 로지스틱 회귀는 선형이지만 비선형 형태로 가져오는 것이 좋습니다. 그러나 이것은 여전히 추측일 뿐이며 선형성이 눈에 충분할 수 있습니다.
2. 순방향 테스트의 초기 부분이 있습니다. 예를 들어 LSM 또는 거듭제곱 다항식에 의한 근사를 통해 외삽을 위해 비선형 회귀를 사용하여 수학적 모델을 구축해야 합니다.
3. 항목 1의 데이터와 항목 2의 모델이 있습니다. 모델에서 전방의 알려진 세그먼트의 편차(경제학 용어의 잔차)에 대해 항목 2의 모델을 조사합니다. 우리는 순방향 테스트의 알려진 세그먼트의 특성과 그 편차를 조사하고 단락 1의 데이터를 가져오고 예를 들어 위의 동일한 로지스틱 회귀를 사용하여 분석한 후 순방향 테스트가 그렇지 않을 확률을 계산합니다. 그러나 증기가 부족하고 향후 이익 거래에 대한 충분한 잠재력이 있습니다(그렇지 않으면 모든 것을 다시 최적화하고 또 다른 성공적인 포워드 테스트를 찾아야 함).
다음은 앞으로의 테스트를 연구하기 위한 대략적인 계획입니다.
TS가 고정되지 않은 견적을 고정된 이익으로 변환하면 모든 것이 좋습니다.
그리고 이익이 고정적이지 않으면 나쁜 것입니까?
먼저 작업을 여러 부분으로 나누어야 합니다.
1. TS 최적화를 수행한 경우 성공적인 순방향 테스트가 특정 위치, 즉 예를 들어, 이익 계수가 1.6 이상인 경우 순방향 테스트는 배수 테스트일 가능성이 높으며 일부 값 미만이면 배수 테스트이기도 합니다. 최적화 구간의 드로다운이 일정 한도를 넘으면 높은 확률로 순방향 테스트에 실패하게 됩니다. 기대도 마찬가지다. 최적화 결과의 스프레드와 비교하여 중요하지 않은 예상 값은 실패한 순방향 테스트에 선행합니다. 저것들. 최적화 결과와 순방향 테스트의 성공 사이에는 약간의 종속성이 있으므로 이 모든 것을 보다 정확하게 공식화해야 합니다. 우리는 연구에 적합한(문맥에 해당하는) 방법을 찾기 위해 참고서로 올라갑니다. 예를 들어, ROC 분석이 뒤따르는 로지스틱 회귀가 우리의 맥락에 적합한 것으로 보인다는 것을 발견했습니다. 이를 통해 기능(적합 매개변수)에 따라 이벤트(정방향 테스트)의 성공 확률을 계산할 수 있습니다. 확실하지는 않지만 이론적으로 적합하기 때문입니다. 가장 일반적인 로지스틱 회귀는 선형이지만 비선형 형태로 가져오는 것이 좋습니다. 그러나 이것은 여전히 추측일 뿐이며 선형성이 눈에 충분할 수 있습니다.
2. 순방향 테스트의 초기 부분이 있습니다. 예를 들어 LSM 또는 거듭제곱 다항식에 의한 근사를 통해 외삽을 위해 비선형 회귀를 사용하여 수학적 모델을 구축해야 합니다.
3. 항목 1의 데이터와 항목 2의 모델이 있습니다. 모델에서 전방의 알려진 세그먼트의 편차(경제학 용어의 잔차)에 대해 항목 2의 모델을 조사합니다. 우리는 순방향 테스트의 알려진 세그먼트의 특성과 그 편차를 조사하고 단락 1의 데이터를 가져오고 예를 들어 위의 동일한 로지스틱 회귀를 사용하여 분석한 후 순방향 테스트가 그렇지 않을 확률을 계산합니다. 그러나 증기가 부족하고 향후 이익 거래에 대한 충분한 잠재력이 있습니다(그렇지 않으면 모든 것을 다시 최적화하고 또 다른 성공적인 포워드 테스트를 찾아야 함).
다음은 앞으로의 테스트를 연구하기 위한 대략적인 계획입니다.
MQL에 익숙하고 일반적으로 프로그래밍한지 2개월 밖에 되지 않아 아는 것도 많지 않지만 MQL 도구를 사용하여 이 아이디어를 테스트하는 것은 기술적으로 어려운 일인 것 같습니다.
여기에서 테스트할 때 테스터가 스스로를 호출해야 합니다. 옵션으로 두 개의 터미널에서 테스터를 사용할 수 있지만 이것이 가능한 경우(그리고 고문에서 테스터를 실행할 수 있는 경우).
그리고 이익이 고정적이지 않으면 나쁜 것입니까?
OLS 추정치는 신뢰할 수 없습니다.
글쎄, 말도 안되는 소리하지 마십시오! MNC는 어떻습니까? 정상성과 비정상성이란?
당신은 단어의 팬케이크를 집어 들고 넘어지는 곳마다 조각합니다 ... 정말 사실입니다. 울리는 소리를 들었지만 그것이 어디에 있는지 모릅니다 ...