引文中的依赖性统计（信息论、相关和其他特征选择方法）。 - 页 21

新评论
 

阿列克谢有点说漏嘴了，他没有详细说明回报的问题。

无论怎样...
;)

 
哪个阿列克谢？至少有两个。
 
如果你说的是我，我还没有开发。现在我将发布欧元兑美元的M5 数据。对于欧元兑美元的H1，我也会这样做。
 

计算M5的相互信息。

随机混合回报的结果。

比较。

也是相互信息之和的比较。对于原始系列，500个滞后期的总和。1.08比特。对于随机系列：0.29比特。巨大的差异!

还有一个想法：对于不同的时间段，相互信息的总和变成了不同的（我记得几天是0.6比特）。我们可以尝试找到最大的变体，使用分钟转换为任意的时间框架（1,2,3 ... 1000分钟）。大量的计算，也许需要一天的时间，但结果会很有趣。

 
alexeymosc:

还有一个想法：对于不同的时间段，相互信息的总量是不同的（我记得对于天来说是0.6比特）。我们可以尝试找到最大的变体，使用分钟转换为任意的时间框架（1,2,3 ... 1000分钟）。这可能需要24小时，但结果将是有趣的。

所以我们需要找到具有最高相互信息的TF？- 是的，非常有趣!

 
我怀疑是M1。
 
Mathemat:
我怀疑是M1。
我非常怀疑它是M1。我一直未能在M1上实现可接受的净学习能力。
 
Mathemat:
我怀疑是M1。
可能是阿列克谢。至少在3-4小时内可以检查标准的TFs。是否有办法从MT卸下自定义的时间框架进行分析？
 
joo:
我非常怀疑是M1。我一直未能使M1上的网格达到可接受的教学效果。
你在自己的技术指标 上训练网格吗？你是否尝试过用相互信息来选择输入？
 
alexeymosc:

1.你在自己的技术指标上教网格吗？

2.你是否尝试过用相互信息来选择输入？

我不使用指标，最近根本不使用（如果你把 "指标 "一词理解为将商数转换为一种形式的程序，这种形式给出的信号少于报告期所包含的条数）。

2.没有，但我很想试试，如果我能够通过阅读这个主题弄清楚如何做。

1...141516171819202122232425262728...74
新评论