Aleksey Vyazmikin : 그리고 연구에 어떤 ZZ와 어떤 설정이 관련되어 있습니까?
그것은 설정에 관한 것이 아니라 Kagi와 Renko의 두 가지 변조 건물이 시간을 고려하지 않고 가격 차트의 대안으로 사용된다는 것입니다. 구성 알고리즘은 주제의 첫 페이지에 제공됩니다. 그래프에서 누적 곡선이 일치하기 때문에 추가로 fractality를 나타내는 (threshold) 값이 다른 누적 합계.
Нормальный закон распределения вероятностей Без преувеличения его можно назвать философским законом. Наблюдая за различными объектами и процессами окружающего мира, мы часто сталкиваемся с тем, что чего-то бывает мало, и что бывает норма: Перед вами принципиальный вид функции плотности нормального распределения вероятностей, и я приветствую...
스윙... 어머... :)))
확인. 나는 용어에 대해 깊이 들어가지 않을 것이다. 한번.
우리는 무엇이든 가장 순수한 지수를 가지고 있습니다.
이러한 구성 요소의 합은 알려진 분산을 사용하여 음의 이항 분포(연속 SW에 대한 Erlang 분포)가 될 것임을 다시 강조합니다. 극한에서 찾고 있는 정규 분포.
당신이 현재 연구하고 있다고 가정하기는 어렵습니다. 공식을 볼 수 없거나 ... 아무것도 볼 수 없지만 발견된 패턴은 통계 분석이 없기 때문에 발견된 패턴이 아니라 다음과 관련이 있습니다. "이중 비율":
https://en.wikipedia.org/wiki/%D0%94%D0%B2%D0%BE%D0%B9%D0%BD%D0%BE%D0%B5_%D0%BE%D1%82%D0 %BD%D0%BE%D1%88%D0%B5%D0%BD%D0%B8%D0%B5
속성 은 매우 흥미롭고 가격 차트에 그려진 그래픽 분석과 매우 유사합니다.
글쎄 잘 모르겠다...
기능은 흥미롭지만 어떻게 사용합니까? "전혀"라는 단어에서 Kagi 또는 Renko를 알지 못하기 때문에 아무것도 제안하기 어렵습니다.
하지만 노력하겠습니다.
1. 우리는 정규 분포를 달성하려는 욕망을 포기하고 수세기 동안 그것을 찾아야합니다. 이미 발견된 규칙으로 작업하는 것은 이미 매우, 아주 많습니다.
2. https://en.wikipedia.org/wiki/Generalized_normal_distribution
3. 간단히 말해, k=1인 xi-square는 정규 분포 MF의 제곱의 합이고, k=2인 xi-square는 MF와 Laplace 분포의 합입니다.
4. k = 2인 경우에 관심이 있었습니다. 연구에 따르면 시장은 라플라스 분포(더 정확하게는 이중 기하 분포)에 의해 지배됩니다.
5. 여기에는 명확하지 않습니다-이 Renkos에서 고려되는 것은 무엇입니까 ?? 차이의 합(높음-낮음)?
6. 그렇다면 Renko의 차이(High-Low)는 Laplace 분포에 속하는 CV입니다. 이 또한 실험적으로 확인해야 합니다.
7. 그런 다음 슬라이딩 창(특정 샘플 크기에 대한)의 차이(높음-낮음)의 합은 알려진 분위수 함수를 사용하여 k=2인 xi-제곱을 형성합니다.
https://keisan.casio.com/exec/system/1180573197
8. 특정 분위수에 대한 신뢰 구간의 경계를 넘어 슬라이딩 윈도우에서 출구(High-Low)를 기다리고 거래에 들어갑니다.
글쎄요, 이것은 알고리즘의 대략적인 스케치입니다. 단지 주제를 개발하기 위한 것뿐입니다. :)))
하, 흑...
잘 생각한 질문!
결과도 보고싶었지만그리고 연구에 어떤 ZZ와 어떤 설정이 관련되어 있습니까?
1. 우리는 정규 분포를 달성하려는 욕망을 포기하고 수세기 동안 찾아야합니다. 이미 발견된 규칙으로 작업하는 것은 이미 매우 많습니다.
8. 특정 분위수에 대한 신뢰 구간의 경계를 넘어 슬라이딩 윈도우에서 출구(High-Low)를 기다리고 거래에 들어갑니다.
추가 추세 필터 없이 평균 분포로의 수익에 대한 블라인드 베팅은 이 수익이 큰 손실로 발생할 수 있다는 점을 고려하지 않습니다. 추세에 반대합니다.
일반적으로 지금까지 모든 것이 상식적인 관점에서 매우 문맹으로 계획되어 있으며 과학적 접근 방식이 부족합니다.
추가 추세 필터 없이 평균 분포로의 수익에 대한 블라인드 베팅은 이 수익이 큰 손실로 발생할 수 있다는 점을 고려하지 않습니다. 추세에 반대합니다.
여기에 전적으로 동의합니다. 마지막으로, 건전한 연설은 아기 이야기가 아니라 당신에게서 나옵니다.
여기에 전적으로 동의합니다. 마지막으로, 건전한 연설은 아기 이야기가 아니라 당신에게서 나옵니다.
건강한 연설이 나오는 것은 우리에게서가 아니라 이미 백 번 설명했기 때문에 정신을 차리는 과정이 머리에서 시작되었습니다. ))
글쎄 잘 모르겠어...
기능은 흥미롭지만 어떻게 사용합니까? "전혀"라는 단어에서 Kagi 또는 Renko를 알지 못하기 때문에 아무것도 제안하기 어렵습니다.
하지만 노력하겠습니다.
1. 우리는 정규 분포를 달성하려는 욕망을 포기하고 수세기 동안 찾아야합니다. 이미 발견된 규칙으로 작업하는 것은 이미 매우, 아주 많습니다.
2. https://en.wikipedia.org/wiki/Generalized_normal_distribution
3. 간단히 말해서, k=1인 xi-square는 정규 분포 MF의 제곱의 합이고, k=2인 xi-square는 MF와 Laplace 분포의 합입니다.
4. k = 2인 경우에 관심이 있었습니다. 연구에 따르면 시장은 라플라스 분포(더 정확하게는 이중 기하 분포)에 의해 지배됩니다.
5. 여기에는 명확하지 않습니다-이 Renkos에서 고려되는 것은 무엇입니까 ?? 차이의 합(높음-낮음)?
6. 그렇다면 Renko의 차이(High-Low)는 Laplace 분포에 속하는 CV입니다. 이 또한 실험적으로 확인해야 합니다.
7. 그런 다음 슬라이딩 윈도우(특정 샘플 크기에 대해)의 차이(높음-낮음)의 합은 알려진 분위수 함수를 사용하여 k=2인 xi-제곱을 형성합니다.
https://keisan.casio.com/exec/system/1180573197
8. 특정 분위수에 대한 신뢰 구간의 경계를 넘어 슬라이딩 윈도우에서 출구(High-Low)를 기다리고 거래에 들어갑니다.
글쎄요, 이것은 알고리즘의 대략적인 스케치입니다. 주제를 개발하기 위한 것뿐입니다. :)))
나는 Laplace 분포를 정상으로 변환하는 아이디어를 제안하는 흥미로운 작은 기사를 추가하기로 결정했습니다.
http://www.mathprofi.ru/normalnoe_raspredelenie_veroyatnostei.html
문맹은 또한 분포에 대한 지식이 가격 움직임의 방향에 대해 아무 것도 말하지 않는다는 사실에 있으며 변동성을 거래할 때만 유용합니다. 그러나 그들은 다음 해에 이 주제에 대해 정신을 차릴 것입니다)
그리고 여기에서 일반적으로 가격 방향은 세그먼트 33(반동이 없는 것)과 1(예: 3p로 일정함)의 비율로 표시는 항상 양수이고 이러한 관계의 분포는 ( 2 세그먼트, 3.4 등의 발생 빈도)에 대해 이야기합니다.
그리고 여기에서 일반적으로 가격 방향은 세그먼트 33(반동이 없는 것)과 1(예: 3p로 일정함)의 비율로 표시는 항상 양수이고 이러한 관계의 분포는 ( 2 세그먼트, 3.4 등의 발생 빈도)에 대해 이야기합니다.
과학적 안개에서 벗어나 평범한 상인의 관점에서 이 문제를 살펴보십시오. 그의 필요와 열망은...
상인에게 필요한 것은 무엇입니까? 그는 이익이 필요합니다! 트레이더가 이익을 내기 위해서는 정보가 필요하고... 무엇보다 PRICE(현재와 움직임의 방향)... 이 정보는 트레이더가 자신의 문제를 해결하기에 충분합니다...
당신의 난해한 과학적 성격이 상인이 이익을 얻는 데 도움이 된다면 당신의 작업이 헛되지 않았다고 생각하십시오...