Generalized Normal (version 1) Parameters Support PDF CDF Mean Median Mode Variance Skewness Ex. kurtosis Entropy Known also as the exponential power distribution, or the generalized error distribution, this is a parametric family of symmetric distributions. It includes all normal and Laplace distributions, and as limiting cases it includes all...
哦，我的天哪。我没有想到会发生这样的事情）。
哦，我的天哪。我没有想到会发生这样的事情）））。
不，我不相信这些指标。
他们撒谎。
不要相信那些指标。相信我。
不，我不相信这些指标。
他们撒谎。
不要相信那些指标。相信我。
穆勒不是这么说的：你不能相信任何人......我可以。)
穆勒不是这样说的：你不能相信任何人......。我可以。)
你今天第11次成功地让我笑了。）在阅读下一个主题时，十次。
但我肯定可以被信任。我不是穆勒））。
这是确定极端值之间的差异与卡基ZZ的阈值变化的函数关系的结果。图b)- 累积曲线。
Renko的ZZ也是如此。
我注意到一个有趣的特征：Chi-square分布。
请看，在k=1时，与Kagi的ZZ有相似之处，在k=2时，指数，与Renko的ZZ图完全相同。
随着k的增加，Chi-square分布趋于正常。
嗯，我不知道...
这个功能很有趣，但如何利用它呢？鉴于我从 "根本 "上就不擅长Kagi或Renko，所以很难提出什么建议。
但是，我会给它一个机会。
1.人们不得不放弃实现正态分布的愿望，寻找了几个世纪才找到它。与已经发现的模式合作已经是一件非常非常大的事情。
2.https://en.wikipedia.org/wiki/Generalized_normal_distribution
3.简单地说，k=1的xy平方是正态分布的NA的平方之和，k=2的xy平方是拉普拉斯分布的NA之和。
4.我对k=2的情况感兴趣，因为研究表明，市场是由拉普拉斯分布（准确地说，是双几何分布）主导的。
5.这里不清楚--在这些Renko's中，什么算数？差异之和（高-低）？
6.如果是这样--那么Renko中的差值（高-低）就是属于拉普拉斯分布的SV--这应该通过实验来证实。
7.然后，滑动窗口中的差异之和（高-低）（对于一定的样本量）形成xy-square，k=2，具有已知的quantile函数
https://keisan.casio.com/exec/system/1180573197
8.我们在移动窗口中等待超出某个四分位数的置信区间限制的出口（高-低），然后进入交易。
好吧，这只是一个粗略的算法草图，只是为了发展主题，没有别的意思:))
5.这就是不清楚的地方--在这些Renko中，什么算数？差异之和（高-低）？
7.然后，滑动窗口中的差异之和（高-低）（对于一定的样本量）形成一个xy-square，k=2，有一个已知的量化函数
https://keisan.casio.com/exec/system/1180573197
8.在滑动窗口中等待出场（高-低），超过某个量化指标的置信区间的边界，并进入交易。
5.Renko认为突破 "Renko砖 "设定的范围是在1个 "砖 "的价值上，此外突破应该是在 "砖 "的价值上，即 "砖 "10点，要画一个新的Renko砖，价格应该通过在已经形成的Renko条10п+1п以上（或在10п+1п以下），然后画一个新 "砖"。也就是说，从本质上讲，价格是由 "Renko砖 "的价值不分时间的。Renko消除了价格的噪音成分，但像任何过滤器一样，有一个滞后，要画一个新的Renko条，价格应该通过2个范围=Renko砖的2个高度。
7,8是ATR指标，你所写的通常被称为波动率分解，但有一个永恒的问题--ATR的周期，如果周期小，会有噪音，如果周期长，会有滞后性
这里
关于交易、自动交易系统和测试交易策略的论坛
ZigZags牧羊犬
Novaja, 2018.08.26 23:22
这是确定极值之间的差异作为ZZ Kagi的阈值变化的函数的结果。图b)- 累积曲线。
Renko ZZ的情况也一样。
我注意到一个有趣的特征：Chi-square分布。
请看，在k=1时，与Kagi的ZZ有相似之处，在k=2时，指数，与Renko的ZZ图完全相同。
随着k的增加，Chi-square分布趋于正态。
诺瓦亚谈到了两个极端之间的一些区别...关于价差（高-低）还是什么？我无法理解...写得太干脆，太简洁了......
但是，它看起来像一个xy-square -这就是我感兴趣的原因。找到明确的模式是非常罕见的。
我不知道...
这个功能很有趣，但你如何利用它呢？考虑到我从 "根本 "上说对Kagi和Renko都不擅长，所以很难提出什么建议。
但是，我会给它一个机会。
1.人们不得不放弃实现正态分布的愿望，寻找了几个世纪才找到它。与已经发现的模式合作已经是一件非常非常大的事情。
2.https://en.wikipedia.org/wiki/Generalized_normal_distribution
3.简单地说，k=1的xy平方是正态分布的NA的平方之和，k=2的xy平方是拉普拉斯分布的NA之和。
4.我对k=2的情况感兴趣，因为研究表明，市场是由拉普拉斯分布（准确地说，是双几何分布）主导的。
5.这里不清楚--在这些Renko's中，什么算数？差异之和（高-低）？
6.如果是这样--那么Renko中的差值（高-低）就是属于拉普拉斯分布的SV--这应该通过实验来证实。
7.然后，滑动窗口中的差异之和（高-低）（对于一定的样本量）形成xy-square，k=2，具有已知的quantile函数
https://keisan.casio.com/exec/system/1180573197
8.我们在移动窗口中等待超出某个四分位数的置信区间限制的出口（高-低），然后进入交易。
好吧，这只是一个粗略的算法，只是为了发展主题，没有别的意思:)Cgfcb,j
非常感谢，很好的评论。
关于ZZ的构造的几句话。卡吉的变体。
蓝色显示的是滴答图，阈值是3便士。如果反之大于3个点，就会得出一个极值，如果不是，我们就进一步进行。即波动可能包含2.66；3.66；n个具有分数值的这种阈值（段）。在Renko类型的结构中，这个分数值被丢弃了，但原理是一样的。即整数值2,3，等等。因此，我们可以看到在构造中没有考虑到小数顶点。下图是Renko的一个变种。
现在我认为区别很明显。所以，卡木的摆动长度与阈值（3p的段）的比率的出现频率。
图b) 曲线的累积总和。k=1时的Chi-squared分布符合这一曲线。
而这是仁科结构的波动率与阈值（段）的发生频率的累积总和。k=2时的Chi-squared。
也就是说，我们只需舍弃小数部分，得到一个纯指数。
非常感谢你，很好的评论。
关于ZZ的构造的几句话。卡吉的变体。
蓝色显示的是滴答图，阈值-3p。如果反之大于3个点，就会得出一个极值，如果不是，我们就进一步进行。即波动可能包含2.66；3.66；n个具有分数值的这种阈值（段）。在Renko类型的结构中，这个分数值被丢弃了，但原理是一样的。即整数值2,3，等等。因此，我们看到在构建中没有考虑到小数顶点的情况。下图是Renko的一个变种。
现在我认为区别很明显。所以，卡木的摆动长度与阈值（3p的段）的比率的出现频率。
图b） 曲线的累积总和。k=1时的Chi-squared分布符合这一曲线。
而这是仁科结构的摆动比率与阈值（段）的发生频率的累积总和。k=2时的Chi-squared。
也就是说，你只需要舍弃小数部分，因为你得到的是一个纯指数。
摆动...Eh-mah...:)))
好的。我不会深入研究这些术语。没有时间。
我们在任何事情上都有最纯粹的指数。
这些成分的总和将是一个负二项分布（连续NE的埃朗分布），我再次强调，有 的著名 分散性。在极限中，你要找的是正态分布。