Analisar as características ESTATÍSTICAS mais importantes do padrão e escolher um método de negociação sobre ele. - página 3
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Você também pode usar percentis, é mais fácil de calcular, você precisa de mais dados para que não haja surpresas...
Deu direção sobre onde cavar). Embora, há muito que você pode fazer....
Vou ler sobre percentis, obrigado )
Algo me diz que as chances estão próximas de 50%. :)
O que é isso? Qual é a sensação?
Provavelmente, experiência. :)
Oh, quantas descobertas maravilhosas
O espírito de esclarecimento
E a experiência, [filho de] erros difíceis,
E Gênio, [paradoxos] amigo,
[E o acaso, o deus da invenção]
Procure o indicador do meu vizinho mais próximo na base de código. O método é bastante simples. Você define o comprimento do padrão atual, encontra padrões similares da história (por exemplo, use correlação como distância entre padrões), prevê o comportamento futuro dos preços a partir de padrões passados, ponderando suas previsões individuais. Isto é essencialmente o mesmo que clustering, ou RBF, ou SVM, ou GRNN. Tudo depende de como você mede a distância do padrão atual para padrões passados similares. Leia sobre o GRNN e Bayes. Aí a teoria da previsão é descrita em termos de distribuições estatísticas. Há muito escrito sobre o GRNN e os métodos de previsão acima mencionados e tudo se resume a uma simples fórmula:
previsão y = SUM y[k]*exp(-d[k]/2s^2) / SUM exp(-d[k]/2s^2)
onde y[k] é o k-ésimo padrão passado, d[k] é a distância do k-ésimo padrão até o padrão atual. Se as distâncias têm distribuição gaussiana então d[k] = (x - x[k])^2. Para uma distribuição arbitrária (super gaussiana), d[k] = |x - x[k]|^p, onde você escolhe p dependendo se você quer dar mais peso aos vizinhos mais próximos (p grande), ou dar a todos os vizinhos quase o mesmo peso (p pequeno) que no socialismo. Com p=0, temos o socialismo total.
Depois de conhecer os vizinhos mais próximos e o GRNN, surge a próxima pergunta óbvia. Como medir a distância entre o padrão atual e os padrões passados se levarmos em conta as distorções do eixo temporal (ou seja, padrões passados podem parecer padrões atuais, mas podem ser esticados ou comprimidos no tempo). É aqui que reside o problema.
É aqui que reside o problema.
Eu já comi esse cachorro, a questão agora é diferente. Talvez não seja bem assim :)
Mas suas publicações são muito interessantes, obrigado, vou dar uma olhada
se a distorção do eixo temporal for levada em conta (isto é, padrões passados podem parecer com o padrão atual, mas são esticados ou comprimidos no tempo). Aqui é onde o cão é enterrado.
Como conseqüência desta afirmação - este cão não é descoberto no momento apenas devido a limitações de recursos computacionais.
Isto parece ser uma contradição: se você tiver tantos recursos computacionais quantos forem necessários, qualquer cão pode ser descoberto. Assim, a solução para qualquer problema depende apenas da quantidade de recursos computacionais disponíveis.
Em geral, a lógica é, no mínimo, estranha. Portanto, quando eles dizem "o cão está enterrado lá", reclamando indiretamente da insolubilidade computacional no momento, podemos dizer com segurança que não há nenhum cão lá.
Como conseqüência desta afirmação - este cão não está atualmente desbloqueado apenas devido às limitações do número de recursos computacionais.
Isto parece ser uma contradição: se houver tantos recursos computacionais quantos os existentes, então qualquer cão pode ser desbloqueado. Assim, a solução para qualquer problema depende apenas da quantidade de recursos computacionais disponíveis.
Em geral, a lógica é, no mínimo, estranha. Portanto, quando eles dizem "o cão está enterrado lá", reclamando indiretamente da insolubilidade computacional no momento, podemos dizer com segurança que não há nenhum cão lá.
Tudo isso é feito através de transformações afins... e requer recursos mínimos... com a abordagem certa
Tudo isso é feito através de transformações afins... e requer recursos mínimos... com a abordagem certa
O graal não funcionou - a abordagem não foi suficientemente competente!
Esta declaração se tornou tão popular por que razão?
O graal não funcionou - a abordagem não foi suficientemente competente!
Qual foi a razão pela qual esta declaração se tornou tão popular?
Bem, o diabo está sempre nos detalhes... não é o Graal que é necessário, mas pelo menos algo útil :)
o problema é que as pessoas não sabem o que estão fazendo, eu acho... e para que
previsão y = SUM y[k]*exp(-d[k]/2s^2) / SUM exp(-d[k]/2s^2)
onde y[k] é o k-ésimo padrão passado, d[k] é a distância do k-ésimo padrão até o padrão atual. Se as distâncias têm distribuição gaussiana então d[k] = (x - x[k])^2. Para uma distribuição arbitrária (super gaussiana), d[k] = |x - x[k]|^p, onde você escolhe p dependendo se você quer dar mais peso aos vizinhos mais próximos (p grande), ou dar a todos os vizinhos quase o mesmo peso (p pequeno) que no socialismo. Com p=0, temos o socialismo total.
Depois de conhecer os vizinhos mais próximos e o GRNN, surge a próxima pergunta óbvia. Como medir a distância entre o padrão atual e os padrões passados se levarmos em conta as distorções do eixo temporal (ou seja, padrões passados podem parecer padrões atuais, mas podem ser esticados ou comprimidos no tempo). É aqui que reside o problema.