х <- my_price
q <- 10:500
ma <- matrix(nrow = 0,ncol = 2)
for(i in q) {
x1 <- ForeCA::Omega( tail(diff(x),i) ,spectrum.control = list(method = "wosa"))[1]
x2 <- i
d <- cbind(x2,x1)
ma <- rbind(ma,d)
}
plot(ma,t="l",main = max(ma[,2]))
где х - это цена
One of the important issues being faced by forecasters is if the given series can be forecasted or not ? I stumbled on an article entitled "Entropy as an A Priori Indicator of Forecastability" by
我告诉你，你是唯一一个能够这样简化MO问题的人，一切都可以搜索，一切都可以工作，在MQL发展的早期，有雷舍托夫的例子，但它们是原始的，虽然))))。
唯一剩下的就是打磨算法和完成RL主题:)也许有可能在Python中用更高质量的分类拉伸一些%的模型质量。
并将变体枚举抛给特斯拉......但这是一个很大的工作。我的股票图不是随机的，而且信息量很大（我需要检查），我已经学会区分趋势和平坦。
交易正在进行，但它需要变得更有效率。
股权图在哪里？
我将把通过google yandex搜索引擎的页面分析加入其中
那么你为什么需要它呢？
唯一剩下的就是把算法舔到最后，用RL完成这个主题：）可能在python上，由于分类的质量较高，仍有可能挤出一些模型质量的%。
我有很多工作要做。我昨天在VS2017中试了一下，Python可以工作，我甚至在一个单独的widows-form中得到了它。 唯一的问题是IronPython 2.7在那里，我需要分析一下，但我想我可能会把它与MT5对接，没有任何问题。
是的，我只是想为什么要自己创造一些东西，我对两个变量的因果关系感兴趣我的程序已经能够使用Apache Lucene、JSOUP、JSON、Apache POI等技术来识别图片到文件等任何地方的文本（这伴随着信息矩阵（存储在分布式数据库中），根据这些信息索引识别图形对象）如果一些东西不能 - 寻找一个网站将数据转换成可接受的格式进行识别或本身如果可以。
问题是，我不想重新发明轮子......我只需要找到一个能够快速学习两个输入变量的神经网络--股票数据和趋势指标。
(我有大约5年的Java EE开发经验，很多项目已经实施）。
我甚至不打算在市场交易 中附加一个神经元。这是没有必要的，而且在这个时候很可能是不可能的，因为至少没有一个稳定挣钱的神经网络的实现。
我的股票图不是随机的，而且信息量相当大（我需要核实），我已经学会了区分趋势和平坦。
我已经学会了如何区分趋势和平坦。 交易正在进行，但我需要提高业绩。
Ehhhhh, 伙计们...
一些凯沙已经成为你的救星...桑桑尼茨的孙子和忠实的追随者，他甚至从来不知道物理学和数学......。
回归者是基本的，因为价格是他们的一个组成部分，仅此而已。
如果你不知道该怎么做，你可能会惊讶于价格是它的一个组成部分，所以不要限制自己，看在上帝的份上，一些 "来自volstreet的量子 "叔叔在媒体上说，回报是足够的，每个人都同意他。 量子不使用stoploops和tecrofits，对他们来说，这都是数学，这是另一个层面，一个抽象的
。
回报是动量，还有随机的，makdak的，zigzag的，等等。没有必要限制自己，由上帝，一些叔叔，像 "量子从volstreet "的媒介，咿呀说，足够的回报和每个人都同意他，好了，量化和停止环不使用和teyrofits，对他们来说所有的一个连续的数学，这是另一个维度，一个抽象的。
阿列申卡兄弟把我们带到了一条错误的道路上，预测的回报是负面的错误，他跑了。
有人提出了关于预测性指标的有趣问题https://stats.stackexchange.com/questions/126829/how-to-determine-forecastability-of-time-series
我不知道这对我们的目的有多重要，以及它的影响有多大，但我不介意写几行代码来检查 "一些预测能力 "对数据窗口大小的依赖性。
因此，我采取了4个不同的价格块（返回者），并检查了每个块中 "预测能力 "对窗口大小的依赖性。
所以X1是预测的功率，X2是盒子里的数据点的数量
结论 :
1）采取固定窗口进行预测远非最佳选择
2) 预测的最佳窗口总是 "浮动"
代码。
提出的关于预测性指标的有趣问题
我不知道它对我们的目的有多重要，以及它的影响有多大，但我有胆量写了几行代码来检查 "一些预测能力 "对数据窗口大小的依赖性。
结论:
1）采取固定窗口进行预测远非最佳选择
2）最佳预测窗口总是 "浮动 "的
结论。超过100分的预测是没有意义的。
结论。超过100分的预测是毫无意义的。
不，正确的说法是毫无意义地采取固定的期限