Forecasting stock prices plays an important role in setting a trading strategy or determining the appropriate timing for buying or selling a stock. We propose a model, called the feature fusion long short-term memory-convolutional neural network (LSTM-CNN) model, that combines features learned from different representations of the same data...
是否有任何尝试将统计方法应用于制图、烛台分析和其他更高层次的东西？
我不使用退货。
即使作为主要数据（图表表示），也需要额外的预测器，压缩信息以创建比例和向量。
在我看来，由于自然原因，地球的温度有周期性的波动。在过去的一百年里，自然变暖已经开始，人为因素已经叠加在它上面。
如果我们把它拆开来一言以蔽之。
1.温室效应只是影响地球平均温度的众多因素之一。
2.为了说明人为的影响，大气中人为的二氧化碳的百分比很重要。 目前是百分之一，也就是相当小。更多的是由于森林火灾和草地燃烧造成的。加上二氧化碳的封存，森林的砍伐，减少了。
3.进入大气层的二氧化碳和其封存的平衡几乎就像外汇市场的供需平衡一样，许多不同的渠道有不同的投资 时间 处理。这并不完全容易模拟。 但也有实验观察。
在20世纪末，出现了诸如AMS加速质谱仪这样的机器，主要是为了满足考古学家的需要。它们的主要特点是，用于测定同位素比率的样品可以非常小--毫克级。它们很快被改造成其他技术、医学，特别是气候研究用途。这些机器非常精确地测量C12/C14比率。在自然成因中，它是由宇宙背景决定的，比例相当稳定。但是当核试验时代开始后，C14的浓度急剧增加，它散布在世界各地，被树木吸收。测试的地点和日期是已知的，每年的树环很容易计数，你可以准确地确定C14浓度在树木生长的地方是如何变化的。通过在世界各地进行这样的测量，有可能跟踪二氧化碳在大气中迁移的速度--事实证明，半年到一年的时间里，世界各地的浓度很快就趋于平稳。而且更重要的是，用了不到十年的时间，浓度就回落到背景值。 也就是说，所有大气中的二氧化碳都在不断更新。这意味着目前的浓度是一个排放/清除的平衡，其中燃烧煤炭、石油、天然气的人为二氧化碳的作用并不像媒体所宣称的那样重要。
也就是说，在我看来。
a) 人为的二氧化碳量并没有像宣传的那样明显增加其自然浓度。
b) 二氧化碳不是温室效应的唯一原因。
c) 温室效应远不是地球上温度变化的唯一原因。
据我所知，水蒸气对温室效应的影响明显大于二氧化碳，而且，在任何情况下，人类对气候的影响都被夸大了。 但是，当我谈论文章的实质内容时，这不是我的意思。
1）如果没有matstat的方法，就不能研究一个形式上是确定的但相当复杂的系统。
2）Matstat给出的答案总是有一些不确定性。不可能完全避免，因为它是这门科学的主题性质。
3）总是有一种诱惑，即利用这种不确定性来获得 "正确 "的答案。
4）为避免将答案与预期结果相适应，应始终评估结论的统计意义。
在我们的案例中，我们只能对非平稳性进行有意义的工作，而非平稳性在某种程度上又还原为平稳性。 碎片静止性，自回归模型，嗯，等等。
主要原因是始终只有一个实现过程是已知的。例如，如果我们采取语音识别，有任何单词我们都可以说多少次。 在一个具体的时间间隔内，一个具体的工具的报价在一个单一的变体中。顺便说一下，这可能是这里的许多人没有区分随机过程和它的实现的原因。
非常正确，这就是为什么MO永远不会对这样的数据起作用，它们需要被重新处理成这样一个系列，会重复出现，而且很现实。
为什么没有实际的讨论呢？因为这是头号问题。为什么几乎没有人讨论这个问题？ ...因为那是第一个问题。
是否有任何尝试将统计方法应用于制图、烛台分析和其他更高层次的东西？
当然，例如https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0212320
但你知道，如果你把它们用于实际，结果会是什么......
我曾经参与过数学建模（MM），也用单纯的线性编程方法对优化问题进行编程。
而当机器学习（ML）开始传播时，在这里我认为它和MM是一样的。但这并不完全相同。
对于外汇来说，首先我们需要创建一个交易策略模型（TS），考虑到许多因素。
机器人本身并不能从一开始就创建TS模型。这是因为一些程序将无法自己创造出限制的概念，即影响模型或TS的因素。
机器人将只能找到该约束的极限。
如果你创建了一个糟糕的模型和糟糕的约束条件，那么任何优化都不会给你带来所需的结果。
你必须知道哪些因素会影响到TS，在这里 你不能没有人的因素。
让我给你举个例子，我在我的交易机器人中只使用了其中一个因素。让我告诉你一个小 "秘密" :)
这个因素是很多人都知道的--价格变化的速度。然而，在我的计算中，我不仅确定了速度，还确定了由惯性引起的速度的加速和减速。
速度是以1秒的间隔确定的。不仅要考虑到传入蜱虫的频率，还要考虑到蜱虫之间的点数（长度）。
对于什么或什么时候使用这个因素。
它是在开启订单时使用的。通过引入对速度的限制，我们防止了在价格的强烈跳动中开单。
而且，在速度下降到一定值之前，它可以防止订单被打开，而且还是在一定时间没有过去的情况下。
我还用它来确定趋势的角度。速度越高，趋势角就越大。
同事们向大家问好。
我很抱歉提出这样一个愚蠢的问题，但是OnBookEvent事件在MT5测试器中起作用了吗？ 我正试图测试它，但是由于某些原因它没有进入循环，感觉它被忽略了。但在理论上，报价在市场审查中会发生变化。HMM...
在我们的案例中，我们只能对非平稳性进行有意义的工作，而非平稳性在某种程度上又还原为平稳性。碎片静止性，自回归模型，嗯，等等。
主要原因是始终只有一个实现过程是已知的。例如，如果我们采取语音识别，有任何一个词我们都可以说多少次。在一个特定的时间间隔内，特定乐器的报价是在一个单一的实现。顺便说一下，这可能是这里的许多人不区分随机过程和它的实现的原因。
看到人们如何嘲笑良好的老式统计学（非）静止性，暗示除了分布在时间上的相对持久性之外的任何东西，这是很有趣的。可能是过去的一些计量经济学"大师"，曾经做过这样的抛砖引玉，可能是关于别的东西，在一些狭隘的理论背景下，非平稳性的话题作为创造 "圣杯 "的主要障碍而走红。很明显，统计学上的非稳态累积价格的纯粹形式并没有引起很多人的兴趣，即使收益是稳态的（没有分布的变化），也不会给交易带来多少好处（期权将仅仅作为一种工具而消失）。
也许值得对 "外汇中的非平稳性 "进行定义和/或说明，以便熟悉经典统计的人能够理解我们在谈论什么。
在市场中，就其性质而言，不存在统计学上的，而是有 "干扰"（基本因素）的 "游戏 "非平稳性，也就是说，"人群 "预测 "干扰 "之间的价格，每个参与者试图平均预测其余人群，而 "基本因素"（政治、经济、布衣转变...）则全部崩溃。
整个问题是如何尽可能快地检测 "市场变化"，同时在 "当前市场 "的数据上 "训练 "系统，因为从过去的市场学习只会混淆系统，旧的市场已经不存在了，这不仅是无用和有害的，而且在非常小的数据窗口上训练也不酷，这只对软用户有意义，普通人如何用15M和手表工作 - 一个谜...
看到人们如何通过暗示任何东西而不是分布的相对持久性 来嘲弄良好的旧统计（非）静止性，这很有趣。
......
整个问题是如何尽可能快地检测 "市场变化"， 同时用 "来自当前市场 "的数据 "训练 "系统，因为从过去的市场学习只会混淆系统，旧的市场已经不存在了，这不仅是无意义的和有害的，而且在非常小的数据窗口上训练是不冷静的，它只对软用户有意义，简单的人应该如何与15M和时钟工作 - 一个谜...
不是 "分布的相对持久性"，而是MO、方差和分布函数与时间的独立性。
你又是如何 "发现市场转变 "的？
好吧，你已经检测到一个 "市场变化"--你需要一个足够长的样本来训练系统的新数据。如果之前或当样本足够长时，"市场变化 "再次发生--该怎么做？
不是 "分布的相对持久性"，而是MO、方差和分布函数随时间变化的独立性 。
不，是依赖性，而且是持续的依赖性）。
你又是如何 "发现市场转变 "的？
好吧，你已经检测到了 "市场变化"--为了在新数据上训练系统，你需要一个足够长的样本。如果之前或当样本足够长时，"市场变化 "再次发生--你会怎么做？
你可以尝试用MO来检测
好吧，你已经检测到一个 "市场变化"--你需要一个足够长的样本来训练系统的新数据。如果在样本达到足够长度之前或之后，"市场变化 "再次出现--该怎么办？
这是正确的问题，你不需要做任何事情，等到有一个稍微有统计意义的样本，这种情况下的任何行动都是为了运气，如果没有内幕。