市场现象 - 页 61 1...545556575859606162636465666768...75 新评论 [删除] 2012.01.20 04:46 #601 joo: Swinosaurus是该分支的父系，但有趣的是，正如Mathemat 所说，在该分支的中间到末端。而这一点，总的来说很有趣，并不是他的优点，而是 Yurixx, Mathemat, Candid, MetaDriver , 等等。阅读它，你会发现它很有趣。 要从半百页中捞出一块宝石，是一项不可能完成的任务......当你处于话题的发展中，处于它的方向和背景中，那么一切都很清楚，很容易理解，甚至有情绪和轻描淡写--话题就像一个活的有机体。但现在不同了 -- 它是一个冻结的实体，而且背景不再相同......我将等待摘要的出现... rsi 2012.01.20 05:04 #602 周五刚刚开始，他们从周四就开始了...... 只有中子说明了一些合理的东西。 2 中子。下一步是看 "第二个 "过程的区间分布。请给我看看! Neutron 2012.01.20 05:22 #603 rsi: 下一步是看 "第二个 "过程的时间间隔分布。 我正在挖掘。 有趣的是，基于这种想法的TS的股权确实在悄然上升。我在看它的随机性。很明显，这可能不是，但这很吸引人! TheXpert 2012.01.20 06:59 #604 而只要在图上标出第二个过程，看着它就会很有趣。 Yury Reshetov 2012.01.20 07:42 #605 911: 而通过非线性回归分析，在这种情况下你能确定什么？ 首先，必须将任务分解成若干部分。 1.基于这样的事实，如果我们对TS进行了优化，其成功的前向测试在某些地方是拥挤的，即如果利润系数为1.6或更高，则前向测试最有可能是排水，如果它低于某个值，则也是排水。如果优化点的缩减超过了一定的限度，那么远期测试就很可能不成功。预期报酬率也是如此。与价差相比，不重要的是，优化结果中的预期报酬率导致了不成功的远期测试。也就是说，我们在优化结果和前向测试成功之间有一些依赖关系，因此，我们需要更加准确。让我们翻翻参考书，找到一个合适的（与背景相关的）研究方法。例如，我们发现在我们的背景下，逻辑回归后的ROC分析 似乎是合适的，即它可以根据事件的特征（拟合参数）来计算其成功的概率（前向测试）。理论上是符合的，虽然我不确定，因为最常见的逻辑回归是线性的，最好把它变成非线性的形式。但这只是到目前为止的推测，很有可能线性可能是得不偿失的。 2.我们有正向测试的初始段，我们需要使用非线性回归建立其数学模型进行外推，例如，使用OLS或幂级多项式近似。 3.我们有第1项中的数据和第2项中的模型。 检查第2项中的模型，看看已知的前进段与模型的偏差（计量经济学术语中的残差）。调查远期测试的已知区间的特征及其偏差，并从步骤1中获取数据并进行分析，例如使用上述的逻辑回归，计算出远期测试没有耗尽的概率，并有足够的潜力在未来的交易中获利（否则，我们应该再次重新优化一切，寻找另一个成功的远期测试）。 这大致是前方测试研究的计划。 СанСаныч Фоменко 2012.01.20 10:17 #606 Reshetov: 首先，必须将任务分解成若干部分。 1.基于这样的事实，如果我们对TS进行了优化，其成功的前向测试在某些地方是拥挤的，即如果利润系数为1.6或更高，则前向测试最有可能是排水，如果它低于某个值，则也是排水。如果优化点的缩减超过了一定的限度，那么远期测试就很可能不成功。预期报酬率也是如此。与价差相比，不重要的是，优化结果中的预期报酬率导致了不成功的远期测试。也就是说，我们在优化结果和前向测试成功之间有一些依赖关系，因此，我们需要更加准确。让我们翻翻参考书，找到一个合适的（与背景相关的）研究方法。我们发现，在我们的背景下，逻辑回归后的ROC分析 似乎是合适的，也就是说，它可以根据事件的特征（拟合参数）来计算事件（正向测试）的成功概率。理论上是符合的，虽然我不确定，因为最常见的逻辑回归是线性的，最好把它变成非线性的形式。但这只是到目前为止的推测，很有可能线性可能是得不偿失的。 2.我们有一个正向测试的初始段，需要使用非线性回归来构建一个数学模型进行外推，例如使用OLS或幂次多项式近似。 3.我们有第1项中的数据和第2项中的模型。 检查第2项中的模型，看看已知的前进段与模型的偏差（计量经济学术语中的残差）。调查远期测试的已知区间的特征及其偏差，并从步骤1中获取数据并进行分析，例如使用上述的逻辑回归，计算出远期测试没有耗尽的概率，并有足够的潜力在未来的交易中获利（否则，我们应该再次重新优化一切，寻找另一个成功的远期测试）。 这大致是前方测试研究的计划。 如果你的TS将非稳态商数转换为稳态利润，一切都很好。 [删除] 2012.01.20 12:14 #607 faa1947: 如果你的TS将非静止的报价转换为静止的利润，一切都很好。 如果利润是非稳定的，这是不是一件坏事？ 911 2012.01.20 12:15 #608 Reshetov: 首先，必须将任务分解成若干部分。 1.基于这样的事实，如果我们对TS进行了优化，其成功的正向测试在某些地方是拥挤的，即如果利润系数为1.6或更高，那么正向测试最有可能失败，如果它低于某个值，那么也是失败的。如果优化点的缩减超过了一定的限度，那么远期测试就很可能不成功。预期报酬率也是如此。与价差相比，不重要的是，优化结果中的预期报酬率导致了不成功的远期测试。也就是说，我们在优化结果和前向测试成功之间有一些依赖关系，因此，我们需要更加准确。让我们翻翻参考书，找到一个合适的（与背景相关的）研究方法。我们发现，在我们的背景下，逻辑回归后的ROC分析 似乎是合适的，也就是说，它可以根据事件的特征（拟合参数）来计算事件（正向测试）的成功概率。理论上是符合的，虽然我不确定，因为最常见的逻辑回归是线性的，最好把它变成非线性的形式。但这只是到目前为止的推测，很有可能线性可能是得不偿失的。 2.我们有一个正向测试的初始段，我们需要使用非线性回归建立其数学模型进行外推，例如，使用OLS或幂级多项式近似。 3.我们有第1步的数据和第2步的模型。 检查第2步的模型，看看已知的正向段与模型的偏差（根据计量经济学术语的残差）。调查远期测试的已知区间的特征及其偏差，并从步骤1中获取数据并进行分析，例如使用上述的逻辑回归，计算出远期测试没有耗尽的概率，并有足够的潜力在未来的交易中获利（否则，我们应该再次重新优化一切，寻找另一个成功的远期测试）。 这大致是前方测试研究的计划。 尽管我对MQL和一般的编程只熟悉了两个月，知道的也不多，但我还是认为用MQL测试这个想法在技术上非常困难。 这里我们需要测试器在测试时调用自己。不过，如果可以的话，你也可以从两个终端使用测试器（如果有可能的话，可以从专家顾问启动测试器）。 СанСаныч Фоменко 2012.01.20 12:28 #609 avtomat: 而如果利润不稳定，这是不是一件坏事？ ISC的估计是站不住脚的。 [删除] 2012.01.20 12:44 #610 faa1947: ISC的评估是不成立的。 别傻了!ISC与此有什么关系？静止性和非静止性有什么关系？ 你走到哪里都会捡到字，也会丢掉字......。你已经听到了声音，但你不知道它在哪里。 1...545556575859606162636465666768...75 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
Swinosaurus是该分支的父系，但有趣的是，正如Mathemat 所说，在该分支的中间到末端。而这一点，总的来说很有趣，并不是他的优点，而是
Yurixx, Mathemat, Candid, MetaDriver , 等等。阅读它，你会发现它很有趣。
周五刚刚开始，他们从周四就开始了......
只有中子说明了一些合理的东西。
2 中子。下一步是看 "第二个 "过程的区间分布。请给我看看!
rsi:
下一步是看 "第二个 "过程的时间间隔分布。
我正在挖掘。
有趣的是，基于这种想法的TS的股权确实在悄然上升。我在看它的随机性。很明显，这可能不是，但这很吸引人!
而通过非线性回归分析，在这种情况下你能确定什么？
首先，必须将任务分解成若干部分。
1.基于这样的事实，如果我们对TS进行了优化，其成功的前向测试在某些地方是拥挤的，即如果利润系数为1.6或更高，则前向测试最有可能是排水，如果它低于某个值，则也是排水。如果优化点的缩减超过了一定的限度，那么远期测试就很可能不成功。预期报酬率也是如此。与价差相比，不重要的是，优化结果中的预期报酬率导致了不成功的远期测试。也就是说，我们在优化结果和前向测试成功之间有一些依赖关系，因此，我们需要更加准确。让我们翻翻参考书，找到一个合适的（与背景相关的）研究方法。例如，我们发现在我们的背景下，逻辑回归后的ROC分析 似乎是合适的，即它可以根据事件的特征（拟合参数）来计算其成功的概率（前向测试）。理论上是符合的，虽然我不确定，因为最常见的逻辑回归是线性的，最好把它变成非线性的形式。但这只是到目前为止的推测，很有可能线性可能是得不偿失的。
2.我们有正向测试的初始段，我们需要使用非线性回归建立其数学模型进行外推，例如，使用OLS或幂级多项式近似。
3.我们有第1项中的数据和第2项中的模型。 检查第2项中的模型，看看已知的前进段与模型的偏差（计量经济学术语中的残差）。调查远期测试的已知区间的特征及其偏差，并从步骤1中获取数据并进行分析，例如使用上述的逻辑回归，计算出远期测试没有耗尽的概率，并有足够的潜力在未来的交易中获利（否则，我们应该再次重新优化一切，寻找另一个成功的远期测试）。
这大致是前方测试研究的计划。
首先，必须将任务分解成若干部分。
1.基于这样的事实，如果我们对TS进行了优化，其成功的前向测试在某些地方是拥挤的，即如果利润系数为1.6或更高，则前向测试最有可能是排水，如果它低于某个值，则也是排水。如果优化点的缩减超过了一定的限度，那么远期测试就很可能不成功。预期报酬率也是如此。与价差相比，不重要的是，优化结果中的预期报酬率导致了不成功的远期测试。也就是说，我们在优化结果和前向测试成功之间有一些依赖关系，因此，我们需要更加准确。让我们翻翻参考书，找到一个合适的（与背景相关的）研究方法。我们发现，在我们的背景下，逻辑回归后的ROC分析 似乎是合适的，也就是说，它可以根据事件的特征（拟合参数）来计算事件（正向测试）的成功概率。理论上是符合的，虽然我不确定，因为最常见的逻辑回归是线性的，最好把它变成非线性的形式。但这只是到目前为止的推测，很有可能线性可能是得不偿失的。
2.我们有一个正向测试的初始段，需要使用非线性回归来构建一个数学模型进行外推，例如使用OLS或幂次多项式近似。
3.我们有第1项中的数据和第2项中的模型。 检查第2项中的模型，看看已知的前进段与模型的偏差（计量经济学术语中的残差）。调查远期测试的已知区间的特征及其偏差，并从步骤1中获取数据并进行分析，例如使用上述的逻辑回归，计算出远期测试没有耗尽的概率，并有足够的潜力在未来的交易中获利（否则，我们应该再次重新优化一切，寻找另一个成功的远期测试）。
这大致是前方测试研究的计划。
如果你的TS将非静止的报价转换为静止的利润，一切都很好。
如果利润是非稳定的，这是不是一件坏事？
首先，必须将任务分解成若干部分。
1.基于这样的事实，如果我们对TS进行了优化，其成功的正向测试在某些地方是拥挤的，即如果利润系数为1.6或更高，那么正向测试最有可能失败，如果它低于某个值，那么也是失败的。如果优化点的缩减超过了一定的限度，那么远期测试就很可能不成功。预期报酬率也是如此。与价差相比，不重要的是，优化结果中的预期报酬率导致了不成功的远期测试。也就是说，我们在优化结果和前向测试成功之间有一些依赖关系，因此，我们需要更加准确。让我们翻翻参考书，找到一个合适的（与背景相关的）研究方法。我们发现，在我们的背景下，逻辑回归后的ROC分析 似乎是合适的，也就是说，它可以根据事件的特征（拟合参数）来计算事件（正向测试）的成功概率。理论上是符合的，虽然我不确定，因为最常见的逻辑回归是线性的，最好把它变成非线性的形式。但这只是到目前为止的推测，很有可能线性可能是得不偿失的。
2.我们有一个正向测试的初始段，我们需要使用非线性回归建立其数学模型进行外推，例如，使用OLS或幂级多项式近似。
3.我们有第1步的数据和第2步的模型。 检查第2步的模型，看看已知的正向段与模型的偏差（根据计量经济学术语的残差）。调查远期测试的已知区间的特征及其偏差，并从步骤1中获取数据并进行分析，例如使用上述的逻辑回归，计算出远期测试没有耗尽的概率，并有足够的潜力在未来的交易中获利（否则，我们应该再次重新优化一切，寻找另一个成功的远期测试）。
这大致是前方测试研究的计划。
尽管我对MQL和一般的编程只熟悉了两个月，知道的也不多，但我还是认为用MQL测试这个想法在技术上非常困难。
这里我们需要测试器在测试时调用自己。不过，如果可以的话，你也可以从两个终端使用测试器（如果有可能的话，可以从专家顾问启动测试器）。
而如果利润不稳定，这是不是一件坏事？
ISC的评估是不成立的。
别傻了!ISC与此有什么关系？静止性和非静止性有什么关系？
你走到哪里都会捡到字，也会丢掉字......。你已经听到了声音，但你不知道它在哪里。