从理论到实践 - 页 73 1...666768697071727374757677787980...1981 新评论 [删除] 2017.12.13 22:17 #721 sko怎么会比sao（平均绝对偏差）好。也许 极端值不对......有些东西是存在的。 我数了一下与一些尺度的偏差。SKO出了12分。SOO出了6分。 我想知道sko和co之间的巨大差异可能意味着什么。 [删除] 2017.12.13 22:19 #722 Vladimir:为什么要挑剔它，公式就在那里。RMS确实更常见，我想说的是无比的常见。首先，因为最小二乘法（LSM）产生的简单性和计算效率。这里有一个简单的例子。现在，我假设你的平均数与跨国公司一样，是算数。有很多很多线。苏联大百科全书》电子版。需要计算线路中空格数的平均分数，以及这个分数的任何一个分散指标，有效值或你的模数与这个平均数的偏差（简单的说，我会称之为Cheb，然后告诉你为什么。）所有线路上的每一个通道都很昂贵，书在不同的互联网资源上，通过铜对调制解调器连接。因此，要计算有效值，一次就够了（只需复制线数、空间分数之和以及空间分数的平方之和，从这些数量中立即计算出有效值），而对于Cheb需要两次（第一次复制线数和分数之和，对它们考虑平均值，第二次复制与平均值的绝对偏差之和，它计算出偏差Cheb）。劳动强度的差异是2倍。因此，如果需要用切布的方法来做某件事情，在任何地方都会有一个楔子。对表格定义的函数进行近似的问题会产生完全不同的解决成本。最简单的情况是用一个常数来代替函数。根据MNA，这就是算术平均数，由所有人在数值表上一次就能找到。绝对偏差最小化的近似被称为统一近似，或Chebyshev近似。它用于寻找确保与任何常数的绝对偏差之和最小的中位平均数。思考如何计算中位数。MQL有一个现成的功能。它所做的是，首先将所有元素按升序排列。这与寻找算术平均数不一样。以此类推。同时，你必须意识到，LOC扭曲了对一种现象的正常想法。例如，平均工资水平。统计机构通过报告平均工资来利用这一优势。如果一家公司有25名员工，其中前5名的收入为100万，其他20名的收入为5万，那么算术平均工资将是6/25=24万，平均中值为5万。哦，对了，也许在交易中我们应该使用中位数偏差...因为我没有看到订书机的意义。 我看不出使用sko的意义。所有偏差值的平方。然后计算偏差值的中位数平方。然后再取其根。 Vladimir 2017.12.13 22:20 #723 Максим Дмитриев:Csr如何优于Sao（平均绝对偏差）。也许 极端值不对......有些东西是存在 的。 我计算了与机器的偏差。Sko得出12分。Soo得出6分。 我想知道Sko和Co之间的巨大差异可能在告诉我们什么。 RMS对排放的敏感度。毕竟，排放偏差有一个平方效应，如果我们谈论的是加权平均法，这相当于大幅增加其权重。 [删除] 2017.12.13 22:23 #724 Vladimir: 关于RMS对排放的敏感性。毕竟，排放的偏差有一个平方的影响，如果我们谈论的是加权平均法，这相当于其权重的大幅增加。确实如此。相反，它并没有抛弃它们，而是增加了它们的重量！在这方面，SKO比SAO更糟糕。 那么，为什么每个人都把她作为一个基准？ [删除] 2017.12.13 22:29 #725 Yuriy Asaulenko:我们看到) 分数与sao的巨大偏差可能表明有许多排放物，或者偏差值非常不同，而不是都几乎相同。 Yuriy Asaulenko 2017.12.13 22:35 #726 Максим Дмитриев: 确实如此。相反，他们并没有把它们放掉，而是增加了它们的重量!非常粗略地讲，所有的统计数据都来自能量或功的核算（气体理论）。这并不完全正确，但可以做到）。身体的平均能量将是Wcp=（M*V1^2/2+M*V2^2/2+...）/n。也就是说，为了做功，这些物体必须有平均速度Vcp=sqrt(Wcp)/M。这些公式是等同的。在这些计算中，平均速度绝对不会给你带来任何好处。 Vladimir 2017.12.13 23:18 #727 Yuriy Asaulenko:在主题开始的某个地方，亚历山大写道，市场是自相似的。也就是说，它在不同的时间段具有相同的属性。为了弄清楚这个问题，我取了几个具有明显不同周期的MAs，将它们绘制在TF 1m上，并计算与它们有关的分布。它可以在同一个R中快速完成。如果市场是自相似的，那么在扩大规模的时候，分布应该是重叠的。事实证明，他们没有，分布差异很大，也就是说，市场不是自相似的。由此可见，在不同时间尺度上运行的策略不能通过缩放来转移到另一个时间尺度上，可能在某些情况下，它们根本不能被转移。非相似性也证实了在不同时间尺度上运作的策略在技术上是非常不同的。说，剥头皮，日内交易，中短期策略，以及长期策略都是非常不同的交易技术。也许这一切都是微不足道的，但我以前没有想过这个问题。根据该主题，亚历山大的策略是 "持续数小时的罕见交易"，尽管我们不确定这一点，因为我们面前只有一个演示。我的活动是在一个不同的交易时间尺度，而且没有市场的自我相似性，这完全是一种不同的技术。简而言之，不是我所在的市场领域）。换句话说：当你自己在交易酸菜时，给劳斯莱斯的交易者提供建议是很荒谬的。顺便说一下，反过来也是如此。我对你提出的问题很感兴趣。事实上，没有重叠的事实。我拿了两年的欧元兑美元的分钟数，决定看看在总时间Tall（分钟）内，快速平均线（T1分钟）与慢速平均线（T2分钟）的偏差数N对偏差大小d（4位数）0.0001的依赖性。对于平均数T1和T2，我们计算它们在半开范围[d-0.5, d+0.5]内的差异的样本频率，并将这个频率与d联系起来，用N(d,T1,T2)表示。 然后我们计算所有遇到的d值的总和N(d,T1,T2)，并将N(d,T1,T2)除以它。因此，我们得到相对的样本频率n(d,T1,T2)，任何一对T1,T2的样本频率之和都是相同的，等于1。实际上，让我们一次给出5个时期的慢速平均数：T1=4 T2=16 T3=64 T4=256 T5=1024，涵盖从4分钟到17小时的时期。这5个慢速平均数的快速平均数是一个，T0=0，即课程本身。也就是说，我们收集频率N(d,Ti,0)。进一步说，最好是按图索骥。为了分析，用Excel制作了一个表格（75万行94Mb）https://yadi.sk/d/97QaopiK3QbTv9（80Mb），谁愿意--检查一下，也许我犯了一个错误。图1.初级样本偏差频率在-350到+350点之间。 我们可以看到对称性，所以我们把不同符号的偏差的频率加起来，并把对数化也应用到标轴上。我们还将所有频率增加1，以排除计算对数的问题。我们得到图2。在计算了样本频率的总和之后，我们用它们进行除法，这样我们就进入了相对频率。图2已经表明，这些曲线趋于等距。让我们也考虑到每个SMA的振荡幅度。使用平方根定律（EQChttps://www.mql5.com/ru/forum/193378/page16#comment_5116118 公式（2），一个平均值的振荡规模与它的周期的根成正比）将d除以Ti^0.5。接下来的图3显示曲线变得更加接近。第二次我们将ZKC直接应用于振荡本身，它们的大小变成了与频率的平方成反比。在图中。4、最后一步是将分布还原为自动模型的形式。告诉我，尤里，你在寻找什么样的自我相似性？不是我得到的那个？ EUR_M1_2_Year_To_2017-02-04.zip yadi.sk View and download from Yandex.Disk Maxim Dmitrievsky 2017.12.13 23:31 #728 Vladimir:酷，这是你（以你的技能）的一小步，也是人类的一大步。在一个较浅的时间周期内，识别在同一时刻形成的较大的时间周期的特征，并稍作转移，以便预测。并将余下的部分推断为具有不同周期的周期。这将是预测。顺便说一下，这对我来说并不奏效，但我是数学界的一坨屎，是通过相关和仿生循环的旋转来做的（类似的循环可以存在于不同的角度），那里的依赖关系可能不那么宽松。:)或者说，有些东西起作用了，但我对结果不满意......我可以给你代码例子和图片 [删除] 2017.12.13 23:59 #729 Vladimir:对你提出的问题很感兴趣。事实上，没有重叠的事实。我取了两年的欧元兑美元的分钟数，决定看看在总时间Tall（分钟）内，快速平均线（T1分钟）与慢速平均线（T2分钟）的偏差数N对偏差大小d（4位数）0.0001的依赖性。对于平均数T1和T2，我们计算它们在半开范围[d-0.5, d+0.5]内的差异的样本频率，并将这个频率与d联系起来，用N(d,T1,T2)表示。 然后我们计算所有遇到的d值的总和N(d,T1,T2)，并将N(d,T1,T2)除以它。因此，我们得到相对的样本频率n(d,T1,T2)，任何一对T1,T2的样本频率之和都是相同的，等于1。实际上，让我们一次给出5个时期的慢速平均数：T1=4 T2=16 T3=64 T4=256 T5=1024，涵盖从4分钟到17小时的时期。这5个慢速平均值的快速平均值是一个，T0=0，即速率本身。这就是 我们收集频率N(d,Ti,0)。进一步说，最好是按图索骥。为了分析，我在Excel中制作了一个表格（75万行，94Mb）https://yadi.sk/d/97QaopiK3QbTv9，（80Mb），谁愿意 - 检查，可能我犯了一个错误。图1.在-350至+350点范围内的偏差的主要样本频率。 我们可以看到对称性，所以我们将不同符号的偏差的频率相加，并将对数应用于阴轴。我们还将所有频率增加1，以排除计算对数的问题。我们得到图2。在计算了样本频率的总和之后，我们用它们进行除法，这样我们就进入了相对频率。图2已经表明，这些曲线趋于等距。让我们也考虑到每个SMA的振荡幅度。使用平方根定律（EQChttps://www.mql5.com/ru/forum/193378/page16#comment_5116118 公式（2），一个平均值的振荡规模与它的周期的根成正比）将d除以Ti^0.5。接下来的图3显示曲线变得更加接近。第二次我们将ZKC已经直接应用于振荡本身，其幅度与频率成反比。在图中。4、最后一步是将分布还原为自动模型的形式。告诉我，尤里，你在寻找什么样的自我相似性？不是我想出来的那个？如果我们用不同周期的魔杖在随机行走图上做这一切呢？ [删除] 2017.12.14 00:02 #730 Yuriy Asaulenko:在主题开始的某个地方，亚历山大写道，市场是自相似的。也就是说，它在不同的时间段具有相同的属性。为了弄清楚这个问题，我取了几个具有明显不同周期的MAs，将它们绘制在TF 1m上，并计算与它们有关的分布。它可以在同一个R中快速完成。如果市场是自相似的，那么在扩大规模的时候，分布应该是重叠的。事实证明不是这样的，分布差异很大，也就是说，市场不是自相似的。你能给我一些图片吗？ 如何进行缩放？ 1...666768697071727374757677787980...1981 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
sko怎么会比sao（平均绝对偏差）好。也许 极端值不对......有些东西是存在的。
我数了一下与一些尺度的偏差。SKO出了12分。SOO出了6分。
我想知道sko和co之间的巨大差异可能意味着什么。
为什么要挑剔它，公式就在那里。RMS确实更常见，我想说的是无比的常见。首先，因为最小二乘法（LSM）产生的简单性和计算效率。这里有一个简单的例子。现在，我假设你的平均数与跨国公司一样，是算数。
有很多很多线。苏联大百科全书》电子版。需要计算线路中空格数的平均分数，以及这个分数的任何一个分散指标，有效值或你的模数与这个平均数的偏差（简单的说，我会称之为Cheb，然后告诉你为什么。）所有线路上的每一个通道都很昂贵，书在不同的互联网资源上，通过铜对调制解调器连接。因此，要计算有效值，一次就够了（只需复制线数、空间分数之和以及空间分数的平方之和，从这些数量中立即计算出有效值），而对于Cheb需要两次（第一次复制线数和分数之和，对它们考虑平均值，第二次复制与平均值的绝对偏差之和，它计算出偏差Cheb）。劳动强度的差异是2倍。
因此，如果需要用切布的方法来做某件事情，在任何地方都会有一个楔子。对表格定义的函数进行近似的问题会产生完全不同的解决成本。最简单的情况是用一个常数来代替函数。根据MNA，这就是算术平均数，由所有人在数值表上一次就能找到。绝对偏差最小化的近似被称为统一近似，或Chebyshev近似。它用于寻找确保与任何常数的绝对偏差之和最小的中位平均数。思考如何计算中位数。MQL有一个现成的功能。它所做的是，首先将所有元素按升序排列。这与寻找算术平均数不一样。
以此类推。同时，你必须意识到，LOC扭曲了对一种现象的正常想法。例如，平均工资水平。统计机构通过报告平均工资来利用这一优势。如果一家公司有25名员工，其中前5名的收入为100万，其他20名的收入为5万，那么算术平均工资将是6/25=24万，平均中值为5万。
哦，对了，也许在交易中我们应该使用中位数偏差...
因为我没有看到订书机的意义。
我看不出使用sko的意义。所有偏差值的平方。然后计算偏差值的中位数平方。然后再取其根。
Csr如何优于Sao（平均绝对偏差）。也许 极端值不对......有些东西是存在 的。
我计算了与机器的偏差。Sko得出12分。Soo得出6分。
我想知道Sko和Co之间的巨大差异可能在告诉我们什么。
关于RMS对排放的敏感性。毕竟，排放的偏差有一个平方的影响，如果我们谈论的是加权平均法，这相当于其权重的大幅增加。
确实如此。相反，它并没有抛弃它们，而是增加了它们的重量！在这方面，SKO比SAO更糟糕。
那么，为什么每个人都把她作为一个基准？
我们看到)
分数与sao的巨大偏差可能表明有许多排放物，或者偏差值非常不同，而不是都几乎相同。
确实如此。相反，他们并没有把它们放掉，而是增加了它们的重量!
非常粗略地讲，所有的统计数据都来自能量或功的核算（气体理论）。这并不完全正确，但可以做到）。
身体的平均能量将是Wcp=（M*V1^2/2+M*V2^2/2+...）/n。也就是说，为了做功，这些物体必须有平均速度Vcp=sqrt(Wcp)/M。这些公式是等同的。
在这些计算中，平均速度绝对不会给你带来任何好处。
在主题开始的某个地方，亚历山大写道，市场是自相似的。也就是说，它在不同的时间段具有相同的属性。
为了弄清楚这个问题，我取了几个具有明显不同周期的MAs，将它们绘制在TF 1m上，并计算与它们有关的分布。它可以在同一个R中快速完成。
如果市场是自相似的，那么在扩大规模的时候，分布应该是重叠的。事实证明，他们没有，分布差异很大，也就是说，市场不是自相似的。
由此可见，在不同时间尺度上运行的策略不能通过缩放来转移到另一个时间尺度上，可能在某些情况下，它们根本不能被转移。
非相似性也证实了在不同时间尺度上运作的策略在技术上是非常不同的。说，剥头皮，日内交易，中短期策略，以及长期策略都是非常不同的交易技术。
也许这一切都是微不足道的，但我以前没有想过这个问题。
根据该主题，亚历山大的策略是 "持续数小时的罕见交易"，尽管我们不确定这一点，因为我们面前只有一个演示。
我的活动是在一个不同的交易时间尺度，而且没有市场的自我相似性，这完全是一种不同的技术。简而言之，不是我所在的市场领域）。
换句话说：当你自己在交易酸菜时，给劳斯莱斯的交易者提供建议是很荒谬的。顺便说一下，反过来也是如此。
我对你提出的问题很感兴趣。事实上，没有重叠的事实。我拿了两年的欧元兑美元的分钟数，决定看看在总时间Tall（分钟）内，快速平均线（T1分钟）与慢速平均线（T2分钟）的偏差数N对偏差大小d（4位数）0.0001的依赖性。对于平均数T1和T2，我们计算它们在半开范围[d-0.5, d+0.5]内的差异的样本频率，并将这个频率与d联系起来，用N(d,T1,T2)表示。
然后我们计算所有遇到的d值的总和N(d,T1,T2)，并将N(d,T1,T2)除以它。因此，我们得到相对的样本频率n(d,T1,T2)，任何一对T1,T2的样本频率之和都是相同的，等于1。实际上，让我们一次给出5个时期的慢速平均数：T1=4 T2=16 T3=64 T4=256 T5=1024，涵盖从4分钟到17小时的时期。这5个慢速平均数的快速平均数是一个，T0=0，即课程本身。也就是说，我们收集频率N(d,Ti,0)。进一步说，最好是按图索骥。为了分析，用Excel制作了一个表格（75万行94Mb）https://yadi.sk/d/97QaopiK3QbTv9（80Mb），谁愿意--检查一下，也许我犯了一个错误。
图1.初级样本偏差频率在-350到+350点之间。
我们可以看到对称性，所以我们把不同符号的偏差的频率加起来，并把对数化也应用到标轴上。我们还将所有频率增加1，以排除计算对数的问题。我们得到图2。在计算了样本频率的总和之后，我们用它们进行除法，这样我们就进入了相对频率。图2已经表明，这些曲线趋于等距。让我们也考虑到每个SMA的振荡幅度。使用平方根定律（EQChttps://www.mql5.com/ru/forum/193378/page16#comment_5116118 公式（2），一个平均值的振荡规模与它的周期的根成正比）将d除以Ti^0.5。接下来的图3显示曲线变得更加接近。第二次我们将ZKC直接应用于振荡本身，它们的大小变成了与频率的平方成反比。在图中。4、最后一步是将分布还原为自动模型的形式。
告诉我，尤里，你在寻找什么样的自我相似性？不是我得到的那个？
酷，这是你（以你的技能）的一小步，也是人类的一大步。
在一个较浅的时间周期内，识别在同一时刻形成的较大的时间周期的特征，并稍作转移，以便预测。并将余下的部分推断为具有不同周期的周期。这将是预测。
顺便说一下，这对我来说并不奏效，但我是数学界的一坨屎，是通过相关和仿生循环的旋转来做的（类似的循环可以存在于不同的角度），那里的依赖关系可能不那么宽松。:)
或者说，有些东西起作用了，但我对结果不满意......我可以给你代码例子和图片
对你提出的问题很感兴趣。事实上，没有重叠的事实。我取了两年的欧元兑美元的分钟数，决定看看在总时间Tall（分钟）内，快速平均线（T1分钟）与慢速平均线（T2分钟）的偏差数N对偏差大小d（4位数）0.0001的依赖性。对于平均数T1和T2，我们计算它们在半开范围[d-0.5, d+0.5]内的差异的样本频率，并将这个频率与d联系起来，用N(d,T1,T2)表示。
然后我们计算所有遇到的d值的总和N(d,T1,T2)，并将N(d,T1,T2)除以它。因此，我们得到相对的样本频率n(d,T1,T2)，任何一对T1,T2的样本频率之和都是相同的，等于1。实际上，让我们一次给出5个时期的慢速平均数：T1=4 T2=16 T3=64 T4=256 T5=1024，涵盖从4分钟到17小时的时期。这5个慢速平均值的快速平均值是一个，T0=0，即速率本身。这就是
我们收集频率N(d,Ti,0)。进一步说，最好是按图索骥。为了分析，我在Excel中制作了一个表格（75万行，94Mb）https://yadi.sk/d/97QaopiK3QbTv9，（80Mb），谁愿意 - 检查，可能我犯了一个错误。
图1.在-350至+350点范围内的偏差的主要样本频率。
我们可以看到对称性，所以我们将不同符号的偏差的频率相加，并将对数应用于阴轴。我们还将所有频率增加1，以排除计算对数的问题。我们得到图2。在计算了样本频率的总和之后，我们用它们进行除法，这样我们就进入了相对频率。图2已经表明，这些曲线趋于等距。让我们也考虑到每个SMA的振荡幅度。使用平方根定律（EQChttps://www.mql5.com/ru/forum/193378/page16#comment_5116118 公式（2），一个平均值的振荡规模与它的周期的根成正比）将d除以Ti^0.5。接下来的图3显示曲线变得更加接近。第二次我们将ZKC已经直接应用于振荡本身，其幅度与频率成反比。在图中。4、最后一步是将分布还原为自动模型的形式。
告诉我，尤里，你在寻找什么样的自我相似性？不是我想出来的那个？
如果我们用不同周期的魔杖在随机行走图上做这一切呢？
在主题开始的某个地方，亚历山大写道，市场是自相似的。也就是说，它在不同的时间段具有相同的属性。
为了弄清楚这个问题，我取了几个具有明显不同周期的MAs，将它们绘制在TF 1m上，并计算与它们有关的分布。它可以在同一个R中快速完成。
如果市场是自相似的，那么在扩大规模的时候，分布应该是重叠的。事实证明不是这样的，分布差异很大，也就是说，市场不是自相似的。
你能给我一些图片吗？ 如何进行缩放？