Sample entropy (SampEn) is a modification of approximate entropy (ApEn), used for assessing the complexity of physiological time-series signals, diagnosing diseased states.[1] SampEn has two advantages over ApEn: data length independence and a relatively trouble-free implementation. Also, there is a small computational difference: In ApEn, the...
马克西姆，直到BP值和网格之间的时间计算出市场周期（它确实如此，我向你保证），任何东西都不会起作用。你应该搜索从一个交易时段到一年的样本。样本应严格 与时间段相对应，而不是其他。
正是在时间结构上，市场BP与SB不同，我已经写过很多次了。
正是如此，但我还没有从国防部的角度制定出一个一般的方法来处理这个问题 :)
顺便说一句，它可以作为赫斯特的替代品吗？https://en.wikipedia.org/wiki/Sample_entropy
或者也是一个滞后的。
让我们这样说吧--"几乎不起作用"......但整个 "不起作用 "所剩下的，是被刮出的碎屑。
有时甚至会被刮出来，但不会刮到样品的全部深度。
这没有什么不同。这是一个普通的功能。输入一个参数，输出一个值。
我明白了。
是的，但一个神经元的输入的这个单一值是由前一层所有神经元的输出加上去的（它们是用系数相乘加上去的）。
正是如此，但我还没有从国防部的角度制定出对此的一般方法 :)
顺便说一下，它可以作为赫斯特的替代品吗？https://en.wikipedia.org/wiki/Sample_entropy
或者也是一个滞后的人。
有可能。在我看来，过程熵是不连续的一个完美指标。应该是这样。但我需要做一些研究，而我又懒得去做--让别人去尝试。
至于时间...在市场上，有一个周期性的过程，作为一个嵌套结构。只是，要计算这些时期并不容易。古恩有他的，我有我的，不知道为什么。我不知道...我们将在实践中看到...但是，在我开始用特定的时间段工作之前，我的TS在SB上以+0%的利润工作。
有可能。从我的角度来看，过程熵是不团结的完美指标。应该是这样。但是，这需要研究，而我已经很懒了--现在就让别人来试试吧。
至于时间...在市场上，有一个周期性的过程，作为一个嵌套结构。只是，要计算这些时期并不容易。古恩有他的，我有我的，不知道为什么。我不知道...我们将在实践中看到...但是，直到我开始使用特定的时间框架，我的TS工作在+0％的利润，因为在SB上。
我将做一些研究））代码很简单
波动性聚集是区分有效（受压）市场和SB的原因，是的，这是唯一的周期性，我想。而这正是与时间周期相联系的东西
至少这是计量经济学家的普遍看法（或误解）。是的，只不过这一个输入到一个神经元的值，是由上一层所有神经元的输出加上去的（通过系数相乘加上去）。
好的。我们需要找到一个实际的比喻。图中显示，各层有不同数量的神经元。如果你翻转图表，你会得到一个金字塔。因此，结果要经过几个处理步骤。该层的神经元越多，该层接收和处理的数据就越多。如果下一层输出的数据比上一层少，这意味着数据从一层到另一层是泛化的？
仔细想想......而金字塔是由古人建造的......找找看有没有类似的地方。
我将做一些研究））代码很简单
代码很简单，但我们的输入数据并不完全适合。
维基熵："....，衡量一个真实过程与理想过程的偏差。在数学上，熵被定义为系统状态的一个函数，定义为一个任意的常数"。
и?
在金融领域，VR可能是一个理想的市场？- 谁知道呢，好吧，让这成为第一个假设，完美的市场=正弦波!
作为投入，我们至少有三种价格，即高价、低价、低价--我们应该使用哪一种？- 好吧，让它成为第二个假设，中位数价格规则!
我们从什么地方测量，到什么地方测量？- 一天的开始？ 一周的开始？ 到期日？交易时段？- 好了，今天的开始，让它成为第三个假设....。
总共3个问题，3次假设我们是正确的吗？这里的问题归结为组合学：有多少次我们得出了正确的初始假设，有多少次我们的进一步探索导致了正确的市场估值......关于历史 ))))
熵听起来不错，但我几年前从信息熵的角度挖掘了这个主题，唯一的结论是，如果一个模式开始形成或历史上最近的蜡烛组合重复，它将不起作用，因为简单的模式和相关性在市场上不起作用，同样的事情适用于他们，当他们变得明显 - 他们停止出现))))。我通常在这种情况下对自己说 - 你不是最聪明的人，这样的聪明人代表一半的世界由监视器）））
好的。我们需要找到一个实际的比喻。图中显示，各层有不同数量的神经元。如果我们把图倒过来，就会得到一个金字塔。因此，结果要经过几个处理步骤。该层的神经元越多，该层接收和处理的数据就越多。如果下一层输出的数据比上一层少，这意味着数据从一层到另一层是泛化的？
如果该层中的神经元比前一层少，就会出现信息压缩，而 "解包"--如果该层中的神经元比前一层多。