引文中的依赖性统计（信息论、相关和其他特征选择方法）。 - 页 70 1...636465666768697071727374 新评论 СанСаныч Фоменко 2012.10.14 07:54 #691 转到克劳斯 图表 该图与开放者的关系是不同的 描述性统计 而统计数字是不同的。这真令人吃惊。一直以为开放和小丑是相同的价值观。 ACF 日期: 10/14/12 时间: 13:53 样本：1 100 包括观察：99 自相关 部分相关 AC PAC Q-Stat Prob .|* |00 .|* 1 0.077 0.077 0.6031 0.437 .|. .|. 2 -0.038 -0.044 0.7502 0.687 .|. .|. 3 -0.038 -0.032 0.9001 0.825 *|. | *|. | 4 -0.181 -0.178 4.3327 0.363 .|. .|. 5 -0.013 0.012 4.3511 0.500 .|. .|. 6 -0.017 -0.034 4.3810 0.625 *|. | *|. | 7 -0.127 -0.139 6.1421 0.523 .|. .|. 8 0.048 0.035 6.3987 0.603 .|* .|. 9 0.086 0.069 7.2140 0.615 .|. .|. 10 0.011 -0.015 7.2283 0.704 *|. | *|. | 11 -0.089 -0.136 8.1289 0.702 .|* |00 .|* 12 0.095 0.143 9.1596 0.689 .|. .|. 13 -0.014 -0.019 9.1816 0.759 .|. .|. 14 -0.016 -0.039 9.2132 0.817 .|. .|. 15 0.026 0.013 9.2908 0.862 *|. .|. 16 -0.092 -0.035 10.308 0.850 *|. | *|. | 17 -0.107 -0.129 11.703 0.818 .|. *|. 18 -0.062 -0.101 12.175 0.838 *|. .|. 19 -0.100 -0.053 13.422 0.816 .|. *|. 20 -0.049 -0.091 13.727 0.844 .|. .|. 21 0.062 -0.009 14.223 0.860 .|. .|. 22 0.011 -0.042 14.239 0.893 .|. .|. 23 0.040 0.016 14.445 0.913 .|. .|. 24 0.049 -0.029 14.770 0.927 *|. *|. 25 -0.074 -0.081 15.512 0.929 .|. .|. 26 -0.047 -0.037 15.813 0.941 .|. .|. 27 0.050 0.045 16.158 0.950 .|. .|. 28 0.022 0.023 16.223 0.962 .|. .|. 29 0.035 0.006 16.401 0.971 .|. .|. 30 -0.010 -0.027 16.415 0.979 .|* |00 .|* 31 0.099 0.140 17.863 0.971 .|. .|. 32 0.021 -0.006 17.928 0.979 .|. .|. 33 0.049 0.028 18.285 0.982 *|. | *|. | 34 -0.094 -0.089 19.632 0.977 *|. | *|. | 35 -0.136 -0.105 22.506 0.949 .|* | .|. | 36 0.080 0.039 23.528 0.946 而ACF则不同。 哦，好吧，我等着你的结论。 Dependency statistics in quotes Any questions from newcomers I want to build Alexey Burnakov 2012.10.14 07:59 #692 我特别为你准备了一个系列。我把差额算作x(t)/x(t-1)-1。 Alexey Burnakov 2012.10.14 07:59 #693 我用的是接近。 СанСаныч Фоменко 2012.10.14 08:14 #694 alexeymosc: 我特别为你准备了一个系列。我把差额算作x(t)/x(t-1)-1。 我已经计算过了。见上文。 Igor Makanu 2012.10.14 08:24 #695 VNG: 我无法弄清建筑的算法。我们取一个任意长度的字母，在截图中是24位，并编码为 红色表示价格已更新的最小值=1，蓝色表示价格已更新的最大值=0。 我检查了关于较高TF上的趋势 "更重要 "的说法，这部分是真的，但到目前为止我还没有看到任何明确的规则。 Alexey Burnakov 2012.10.14 08:31 #696 faa1947: 计算出来的。见上文。 我自己来吧，你有点难以理解。 СанСаныч Фоменко 2012.10.14 08:39 #697 alexeymosc: 我自己来吧，你有点难以理解。 准备给予解释。 Alexey Burnakov 2012.10.14 08:45 #698 系列close(t) / close(t-1) - 1的统计。 系列close(t) / close(t-1) - 1的统计数据，四舍五入到小数点后2位。 ACF非常相似。但线性关系是最小的。 Alexey Burnakov 2012.10.14 08:49 #699 现在比较一下，用相互信息揭示的零条和250个滞后期之间的相关性有多明显。该图给出了定量系列和具有相同分布的随机系列的比较。 СанСаныч Фоменко 2012.10.14 08:51 #700 alexeymosc: 现在比较一下，用相互信息揭示的零条和250个滞后期之间的相关性有多明显。该图给出了定量系列和具有相同分布的随机系列的比较。 左边的数字意味着什么 1...636465666768697071727374 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
转到克劳斯
图表
该图与开放者的关系是不同的
描述性统计
而统计数字是不同的。这真令人吃惊。一直以为开放和小丑是相同的价值观。
ACF
日期: 10/14/12 时间: 13:53
样本：1 100
包括观察：99
自相关 部分相关 AC PAC Q-Stat Prob
.|* |00 .|* 1 0.077 0.077 0.6031 0.437
.|. .|. 2 -0.038 -0.044 0.7502 0.687
.|. .|. 3 -0.038 -0.032 0.9001 0.825
*|. | *|. | 4 -0.181 -0.178 4.3327 0.363
.|. .|. 5 -0.013 0.012 4.3511 0.500
.|. .|. 6 -0.017 -0.034 4.3810 0.625
*|. | *|. | 7 -0.127 -0.139 6.1421 0.523
.|. .|. 8 0.048 0.035 6.3987 0.603
.|* .|. 9 0.086 0.069 7.2140 0.615
.|. .|. 10 0.011 -0.015 7.2283 0.704
*|. | *|. | 11 -0.089 -0.136 8.1289 0.702
.|* |00 .|* 12 0.095 0.143 9.1596 0.689
.|. .|. 13 -0.014 -0.019 9.1816 0.759
.|. .|. 14 -0.016 -0.039 9.2132 0.817
.|. .|. 15 0.026 0.013 9.2908 0.862
*|. .|. 16 -0.092 -0.035 10.308 0.850
*|. | *|. | 17 -0.107 -0.129 11.703 0.818
.|. *|. 18 -0.062 -0.101 12.175 0.838
*|. .|. 19 -0.100 -0.053 13.422 0.816
.|. *|. 20 -0.049 -0.091 13.727 0.844
.|. .|. 21 0.062 -0.009 14.223 0.860
.|. .|. 22 0.011 -0.042 14.239 0.893
.|. .|. 23 0.040 0.016 14.445 0.913
.|. .|. 24 0.049 -0.029 14.770 0.927
*|. *|. 25 -0.074 -0.081 15.512 0.929
.|. .|. 26 -0.047 -0.037 15.813 0.941
.|. .|. 27 0.050 0.045 16.158 0.950
.|. .|. 28 0.022 0.023 16.223 0.962
.|. .|. 29 0.035 0.006 16.401 0.971
.|. .|. 30 -0.010 -0.027 16.415 0.979
.|* |00 .|* 31 0.099 0.140 17.863 0.971
.|. .|. 32 0.021 -0.006 17.928 0.979
.|. .|. 33 0.049 0.028 18.285 0.982
*|. | *|. | 34 -0.094 -0.089 19.632 0.977
*|. | *|. | 35 -0.136 -0.105 22.506 0.949
.|* | .|. | 36 0.080 0.039 23.528 0.946
而ACF则不同。
哦，好吧，我等着你的结论。
我特别为你准备了一个系列。我把差额算作x(t)/x(t-1)-1。
我们取一个任意长度的字母，在截图中是24位，并编码为
红色表示价格已更新的最小值=1，蓝色表示价格已更新的最大值=0。
我检查了关于较高TF上的趋势 "更重要 "的说法，这部分是真的，但到目前为止我还没有看到任何明确的规则。
计算出来的。见上文。
我自己来吧，你有点难以理解。
系列close(t) / close(t-1) - 1的统计。
系列close(t) / close(t-1) - 1的统计数据，四舍五入到小数点后2位。
ACF非常相似。但线性关系是最小的。
现在比较一下，用相互信息揭示的零条和250个滞后期之间的相关性有多明显。该图给出了定量系列和具有相同分布的随机系列的比较。
现在比较一下，用相互信息揭示的零条和250个滞后期之间的相关性有多明显。该图给出了定量系列和具有相同分布的随机系列的比较。