past values of the same series; and current and past values of the driving (exogenous) series — that is, of the externally determined series that influences the series of interest. In addition, the model contains: which relates to the fact that knowledge of other terms will not enable the current value of the time series to be predicted...
我不想回到Renko，我已经在它身上浪费了时间，它不仅完全失去了OHLC信息，此外你还会得到两个Renko砖头高度的滞后--它滞后得很厉害。
ZigZag可能也是如此，但我还没有具体处理过。
在OHLC中，只有O是在相应的tick到达时立即明确识别的。然而，在现实中，当处理以前的点位有延迟时，可能会错过开盘。
世界上没有完美的东西)
在OHLC中，只有O是在相关的刻度线到达时立即明确识别的。然而，在现实中，当处理以前的交易时出现延迟时，可能会错过开盘。
世界上没有完美的东西)
这里的一切都非常复杂
许多参与者用酒吧的开盘价和收盘价工作，既有微不足道的指标，也有复杂的建模和操纵者的报价
高价和低价在创建通道、ZigZags和打破历史最高点（最小值）、图形分析以及定点和模式时是有意义的--这些也都是有意义的。
这些祖传的方法仍然在交易中使用，我知道美国人积极使用图形分析--几年前我和他们交流过....。但他们也知道这并不可行))))。
问题一般出在市场参与者本身--他们不断干扰理想的价格系列！"。
通过改用人字形或仁科，可以消除盘面波动的影响，对吗？当然，自然的时间结构会受到影响，但有可能引入正常时间作为每个膝盖/砖块的指标集。
我已经转向 "之 "字形...但自3月初以来，它们根本无法与3月前相比。如果以前可以建立一个半小时或一小时的膝盖，由于同样参数的高波动性，5分钟就可以完成。因此，在3月之前的数据上进行训练是没有意义的。现在一切都不同了。
我们还是应该为高波动性和低波动性想一些通用的东西。
也许是类似波浪的东西。波浪依然存在，只是变得更宽。
我在谷歌上搜索了一下，但我还是想问问
哪些类型的神经网络 可用作对象管理系统？
至少在这个例子中：NS应该给出一个响应，在所需的方向上开出一个订单，并设置取值和止损，即3个控制参数（买入/卖出+TP+SL）。
EN: 强化学习
https://github.com/EliteQuant/EliteQuant#quantitative-model
RU: 强化学习
https://www.mql5.com/ru/search#!keyword=%D0%BF%D0%BE%D0%B4%D0%BA%D1%80%D0%B5%D0%BF%D0%BB%D0%B5%D0%BD%D0%B8%D0%B5%D0%BC
尽管如果参数集以及它的值是固定的，它看起来就像一个正常的分类。我在谷歌上搜索了一下，但我还是想问问
哪些类型的神经网络 可用作对象管理系统？
举个例子：NS应该给出一个响应，在所需的方向上开立一个订单，并设置止损，也就是3个控制参数（买入/卖出+TP+SL）。
你要解决的是什么问题啊！？
计划是这样的。
1.制作一个网络，在固定的时间内猜测价格的运动方向。
2.如果你有P.1，做一个动态猜测方向的网，即给出它最有把握的方向和时间。
3.如果你得到了第2项，做一个猜测运动方向和强度的网。
4.如果你得到了第3项，做一个猜测方向和强度+运动时间的网。
之后再去看你的3个参数。
EN: 强化学习
https://github.com/EliteQuant/EliteQuant#quantitative-model
RU: 强化学习
https://www.mql5.com/ru/search#!keyword=%D0%BF%D0%BE%D0%B4%D0%BA%D1%80%D0%B5%D0%BF%D0%BB%D0%B5%D0%BD%D0%B8%D0%B5%D0%BC
尽管如果参数集以及它们的值是固定的，那么它看起来就像一个正常的分类。用强化训练不再想了，我正在找一个合适的、更有效的随机GA测试器来使用，至少向前通过遗传学发现的TS比用强化训练更好。
谢谢你的Git，我会研究的。
你要解决的是什么任务啊！？
计划是这样的。
1.创建一个网络，猜测固定时间后的价格运动方向。
2.如果你已经实现了第1步，做一个动态猜测方向的网络，即给出它最自信的方向和时间。
3.如果你得到了第2项，做一个猜测运动方向和强度的网。
4.如果你得到了第3项，做一个猜测方向和强度+运动时间的网。
之后，去看你的3个参数。
它是一个RNN网络或传统的多层感知器就可以了。
任务只是关于控制物体--谷歌神经控制，你也可以阅读维基上的术语，然后再谷歌一下。
它是一个RNN网络或传统的多层感知器，做得很好。
挑战只是在对象管理方面--谷歌神经控制，你可以在同一个维基上阅读术语，并进一步谷歌它。
不是专家，但乍一看，这种市场的方法不太可能产生超越NARX 的结果。 而这个模型似乎总是可以通过RNN来实现。而RNN的图灵完备性也为其充分性做出了贡献。
关于NARX和RNN等价的文章。
不是专家，但乍一看，这种市场的方法不太可能产生超越NARX 的结果。 而这个模型似乎总是可以通过RNN来实现。而图灵对RNN的完备性也促成了它的充分性。
我上网搜索了一下，根据我的观察，我应该使用RBF-net。
好吧，我问得更具体些：有一个由原始TS组成的组合，这些TS都是向前测试的，每个TS在一天内都有时间限制，TS在时间上可能会重叠--你需要根据输入数据"尝试重新运行组合"的东西--OHLC。
在测试者的遗传学中，简单地通过蛮力来优化一个组合，可以....。但我想要一些情报））））
我在网上搜索了一下，根据我的观察，我应该使用RBF-网络
好吧，我问得更具体些：有一个由原始TS组成的组合，这些TS都是预先测试过的，每个TS在一天内有时间限制，TS在时间上可能重叠--我需要根据输入数据"尝试列举组合"的东西--OHLC。
在测试者的遗传学中，简单地通过蛮力来优化一个组合，可以....。但我想要一些情报))))
这项任务看起来并不十分正规--参数集并不明确。完整的系统集是有限的、可数的还是连续的？投资组合是否有固定的规模？该系统是否包括在投资组合中的一些权重，或者只是有/无？