Нормальный закон распределения вероятностей Без преувеличения его можно назвать философским законом. Наблюдая за различными объектами и процессами окружающего мира, мы часто сталкиваемся с тем, что чего-то бывает мало, и что бывает норма: Перед вами принципиальный вид функции плотности нормального распределения вероятностей, и я приветствую...
摆动...Eh-ma...:)))
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 已知 分散性。极限就是你要找的正态分布。
很难猜测你现在在研究什么，你看不到任何公式或...看不到任何东西，但我大胆猜测，发现的模式不是一个模式，因为没有统计分析，与 "双重关系 "有关。
https://ru.wikipedia.org/wiki/%D0%94%D0%B2%D0%BE%D0%B9%D0%BD%D0%BE%D0%B5_%D0%BE%D1%82%D0%BD%D0%BE%D1%88%D0%B5%D0%BD%D0%B8%D0%B5
这些属性 相当有趣，非常类似于价格图表上所画的图形分析
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或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（确切地说，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案，只是为了发展这个主题，没有别的意思:)))
哈，草案....
不是一个糟糕的工作问题!
我甚至想看看结果那么哪些ZZ和哪些设置参与了研究？
1.我们必须放弃实现正态分布的愿望，花几个世纪的时间去寻找它。与已经发现的模式合作是一件非常、非常大的事情。
8.我们在滑动窗口中等待超出某个四分位数的置信区间边界的出口（高-低），然后进入交易。
盲目押注回归平均分布，而不对趋势进行任何额外的过滤，没有考虑到这种回归可能会出现较大的跌幅，也就是说，它将触发SL，这将吃掉所有的利润，特别是考虑到进场与趋势相反。
总的来说，到目前为止，从常识的角度来看，一切都规划得很不文雅，更不用说缺乏科学的方法了。
在没有任何额外趋势过滤器的情况下盲目押注于回归平均分布，并没有考虑到这种回归可能会出现巨大的跌幅，即SL将被触发，这将吞噬所有的利润，特别是考虑到进场与趋势相反。
这就是我完全同意的地方。最后，你在说一些好的道理，而不是幼稚的胡言乱语。
这里我完全同意。你终于说出了一些好的道理，而不是幼稚的胡言乱语。
不是我们在讲道理，是你们在清醒，因为已经向你们解释了一百次了。))
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或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草案，最多只是为了发展这个主题:)))
我决定添加一篇有趣的文章，它可能建议将拉普拉斯分布转变为正态分布
http://www.mathprofi.ru/normalnoe_raspredelenie_veroyatnostei.html
文盲还在于，关于分布的知识没有告诉我们价格运动的方向，它只在波动性交易中有用。但他们会在一年后对这个话题清醒过来)
价格方向与此有什么关系呢？ZZ符号（处于不可逆状态的符号）与1（常数，如3p.）的比率，符号总是正的，这种比率的分布（2个符号的出现频率，3,4，等等）就是这样。
价格方向与ZZ信号（处于脱离状态的信号）与1（常数，如3点）的比率有什么关系？ 信号总是正的，这种比率的分布（2个信号、3个、4个等的出现频率），这就是我们要讨论的。
从科学的迷雾中转移一下注意力，从一个普通商人的角度来看待这个问题--他的需求和愿望......。
一个交易员需要什么？他需要利润！为了赚取利润，交易员需要信息。而最重要的是价格（当前价格和方向）......这些信息足以让交易者解决他的问题......
如果你的深奥的科学将帮助交易商赚取利润，请考虑你的努力没有被浪费......。