在这两种情况下，工作的结果必须是初始条件和混凝土贸易的MO的转变之间的对应关系。然后，线性编程开始生效。系统的总MO计算为MO=Sum(MO_at_those_conditions_i* probability of conditions_i* lot_i)，这个MO必须通过选择参数--每个变体的批次来实现最大化。限制 - 最大的风险大小或每次进入的最大平均手数，这里也可以幻想一下。
在这两种情况下，工作的结果必须是初始条件和混凝土贸易的MO的转变之间的对应关系。然后，线性编程开始生效。系统的总MO计算为MO=Sum(MO_at_those_conditions_i* probability of conditions_i* lot_i)，这个MO必须通过选择参数--每个变体的批次来实现最大化。限制 - 最大的风险大小或每次进场的最大平均手数，你也可以在这里幻想一下。
这正是我所说的模式，而不是头肩顶、旗帜或三角形。虽然你对模式的定义已经包含了可重复性的属性，但我还是要补充一点，即同一组事件（=模式）必须在历史上出现多次，而且其数量必须比随机性大很多倍。例如，连续5条尾巴的概率是0.5*0.5*0.5*0.5*0.5=0.03125。也就是说，在800次翻转中，连续5个尾巴平均会发生25次。但如果它们发生了100或200次，我们就有一个 "模式"，而不是一组随机的事件。在我们周围有许多模式。而我们的大脑被设计成能够相当迅速地识别数据中的模式或结构（关于这一点我可以继续说下去）。但是报价的结构是很难察觉的，即使有一个 "适合任务的 "大脑。我已经在检测报价模式的算法上纠结了一个月。同样的算法在识别任何其他类型的信息（图像、语音）中的重复模式时也非常快--可能是因为噪音更少，结构更多。但在引言中，似乎没有什么结构，有很多噪音。但我将继续战斗。仍然有希望，而且这个话题很有趣。
很好的帖子，忍不住为自己记下了。
关于" 但似乎很少有结构（重复统计学上的重要模式），而在引文中却有很多噪音。"，或者说引文中没有信息？
假设有一个倾销策略，在恒定的手数下，即pips MO为正，但点差为0。
1.是否有可能选择这样一个MM（也包括马丁的导数），使系统在非0价差时也能填满，这样一个MM取决于什么？
2.我们可以通过什么公式来计算最大的价差值，在这个价差值上，系统将无法填充？
1 - 你不能，如果交易是独立的。
2 - 这是由模拟完成的。
如果你不喜欢点差--在没有点差的情况下交易限价订单。在这种情况下，有一个与可变的 "填充率 "有关的问题--当方向正确时--将执行一个小量；当错误时--将执行整个量。
如果发生有利可图的交易，那么理论上就有可能通过倍增手数将系统拉入利润。
有这样的考虑。
如果我们相信在投注系统的帮助下，系统可能被拉出更大的回报，那么我们就自动必须接受系统中存在未被记录的规律性的说法。因此，他们必须以某种方式被抓住。这里可能有两个选择。
1.如果交易结果的序列（由报酬值解读）不是，可以说是白噪声，也就是说，如果交易结果之间存在关联性。在这种情况下，我们需要 找到这些相关性并使用它们（见下文）。
2.如果在交易序列中没有相关性，那么最好是寻找与交易前的价格行为或其他因素的相关性，至少是与一天的时间（过滤器）的相关性。那么，想象力的领域是无限的，事实上，我们可以创造一个新的TS。
(有必要考虑到，必须对发现的相关性进行检查，即在交易集中必须区分训练集和测试集）。
在这两种情况下，工作的结果必须是初始条件和混凝土贸易的MO的转变之间的对应关系。然后，线性编程开始生效。系统的总MO计算为MO=Sum(MO_at_those_conditions_i* probability of conditions_i* lot_i)，这个MO必须通过选择参数--每个变体的批次来实现最大化。限制 - 最大的风险大小或每次进入的最大平均手数，这里也可以幻想一下。
如果发生有利可图的交易，那么理论上就有可能通过倍增手数将系统拉入利润。
我想，如果这样一个明显的事实没有被抓住，那么你就不能抓住！"。
你可以尽情地思考，它不会使2x2变成5。
很好的帖子，忍不住为自己记下了。
关于" 但似乎很少有结构（重复统计意义上的模式），而在报价中存在大量的噪音。"，或者也许引号中没有任何信息？
到目前为止，我已经放弃了模式，至少在较高的时间段（H1和更大的时间段）。在我看来，越来越多的H1及以上级别的交易基本上是在猜测新闻的方向。如果存在一致的模式，那也只是在小时内，在M1-M5时间框架上，也就是交易者对已经出来的消息的反应模式。这就是你必须要挖掘的地方。在花了很多时间研究外汇中的高等数学（复杂的公式，回归，傅里叶，神经网络 等）后，我感到很失望：它不适合外汇。用简单的工具来做筹码要容易得多，而且能得到更可靠的结果。
有这样的考虑。
如果我们相信在投注系统的帮助下，系统可能被拉出更大的回报，那么我们就自动必须接受系统中存在未被记录的规律性的说法。因此，他们必须以某种方式被抓住。这里可能有两个选择。
1.如果交易结果的序列（由报酬值解读）不是，可以说是白噪声，也就是说，如果交易结果之间存在关联性。在这种情况下，我们需要 找到这些相关性并使用它们（见下文）。
2.如果在交易序列中没有相关性，那么最好是寻找与交易前的价格行为或其他因素的相关性，至少是与一天的时间（过滤器）的相关性。那么，想象力的领域是无限的，事实上，我们可以创造一个新的TS。
(有必要考虑到，必须对发现的相关性进行检查，即在交易集中必须区分训练集和测试集）。
在这两种情况下，工作的结果必须是初始条件和混凝土贸易的MO的转变之间的对应关系。然后，线性编程开始生效。系统的总MO计算为MO=Sum(MO_at_those_conditions_i* probability of conditions_i* lot_i)，这个MO必须通过选择参数--每个变体的批次来实现最大化。限制 - 最大的风险大小或每次进场的最大平均手数，你也可以在这里幻想一下。