Vorontsov는 아마도 러시아 최고의 MO 전문가일 것입니다. 따라서 과정은 좋아야 하지만 IT인을 위한 것이기 때문에 우리에게 기본적이고 중요한 수학은 거기에서 생략됩니다. 나는 거래에 수학적 방법을 적용할 때 기본적이고 단순화된 형식이 거의 적합하지 않다는 것을 반복해서 알아차렸습니다.
ML은 예측 변수와 응답 P(X,Y)의 불변 공동 분포가 있다는 가정을 기반으로 합니다(예: Tibshirani 참조). 이로부터 조건부 확률 Py(Y|X)를 계산할 수 있으며, 이로부터 회귀 Y=f(X)를 계산할 수 있습니다. 결과적으로 이 회귀는 모든 MO 모델에 의해 근사됩니다. 물리적 세계에서 이 이론은 어느 정도 효과가 있습니다. 그러나 거래에서는 아닙니다. P(X,Y)는 예측할 수 없는 방식으로 시간(비정상성)에 따라 변하고전체 이론이 약간 무너지는 것으로 나타났습니다.
어떻게 든 자신의 이론을 제시해야 하며 여기에 이미 있습니다. 누가 참여했는지) 가장 일반적인 접근 방식은 단순히 비정상성을 무시하고 결과에 놀라서 MO에 대해 불평하는 것입니다)
정확히 이해하는 것이 중요합니다. "비정상"이란 무엇입니까? 시계열 자체의 비정상성에 빠지지 않습니다. 대부분의 경우 kotir 자체의 비 고정성을 무시할 수 있습니다.
초석은 조건부 확률 Py(Y|X)입니다.
조건부 확률 대신 특정 교사와 관련하여 예측자의 "예측 능력"을 사용하는 것이 더 편리합니다.
나는 그러한 예측 능력의 척도를 도입하고 VR을 통해 창을 실행하여 2000개의 예에서 통계를 얻었습니다. 모델 얘기는 전혀 하지 않았다는 점을 강조하고 싶다. "예측자-교사" 쌍을 찾고 있습니다.
다음은 결과 중 일부입니다. 열은 별도의 예측 변수이고 마지막 행에는 예측 능력의 평균값, 표준 편차 및 편의상 %가 표시됩니다.
예측 변수 중 sd/mean 비율이 약 10%인 예측 변수가 있음을 알 수 있습니다. 그러나 이 비율이 100% 이상일 것이라는 예측 변수를 만나지 못했다는 것은 놀라운 일입니다.
따라서 설계 작업은 10%, 바람직하게는 5%의 제한된 sd/mean 비율을 갖는 특정 교사에 대한 예측 변수 세트를 찾는 것이며 무시할 수 있습니다. 예측 안정성은 거래 시스템의 초석입니다.
https://www.mql5.com/ru/forum/375928/page2
0 ≤ H < 0.5 - 가격이 프랙탈이면 FMH의 유효성이 확인되고 변수 분포에 "헤비 테일"이 있습니다. 가격 변화의 음의 상관 관계, 가격 움직임 방향의 빈번한 변화와 함께 핑크 노이즈;Vorontsov는 아마도 러시아 최고의 MO 전문가일 것입니다. 따라서 과정은 좋아야 하지만 IT인을 위한 것이기 때문에 우리에게 기본적이고 중요한 수학은 거기에서 생략됩니다. 나는 거래에 수학적 방법을 적용할 때 기본적이고 단순화된 형식이 거의 적합하지 않다는 것을 반복해서 알아차렸습니다.
ML은 예측 변수와 응답 P(X,Y)의 불변 공동 분포가 있다는 가정을 기반으로 합니다(예: Tibshirani 참조). 이로부터 조건부 확률 Py(Y|X)를 계산할 수 있으며, 이로부터 회귀 Y=f(X)를 계산할 수 있습니다. 결과적으로 이 회귀는 모든 MO 모델에 의해 근사됩니다. 물리적 세계에서 이 이론은 어느 정도 효과가 있습니다. 그러나 거래에서는 아닙니다. P(X,Y)는 예측할 수 없는 방식으로 시간(비정상성)에 따라 변하고 전체 이론이 약간 무너지는 것으로 나타났습니다.
어떻게 든 자신의 이론을 제시해야 하며 여기에 이미 있습니다. 누가 참여했는지) 가장 일반적인 접근 방식은 단순히 비정상성을 무시하고 결과에 놀라서 MO에 대해 불평하는 것입니다)
정확히 이해하는 것이 중요합니다. "비정상"이란 무엇입니까? 시계열 자체의 비정상성에 빠지지 않습니다. 대부분의 경우 kotir 자체의 비 고정성을 무시할 수 있습니다.
초석은 조건부 확률 Py(Y|X)입니다.
조건부 확률 대신 특정 교사와 관련하여 예측자의 "예측 능력"을 사용하는 것이 더 편리합니다.
나는 그러한 예측 능력의 척도를 도입하고 VR을 통해 창을 실행하여 2000개의 예에서 통계를 얻었습니다. 모델 얘기는 전혀 하지 않았다는 점을 강조하고 싶다. "예측자-교사" 쌍을 찾고 있습니다.
다음은 결과 중 일부입니다. 열은 별도의 예측 변수이고 마지막 행에는 예측 능력의 평균값, 표준 편차 및 편의상 %가 표시됩니다.
예측 변수 중 sd/mean 비율이 약 10%인 예측 변수가 있음을 알 수 있습니다. 그러나 이 비율이 100% 이상일 것이라는 예측 변수를 만나지 못했다는 것은 놀라운 일입니다.
따라서 설계 작업은 10%, 바람직하게는 5%의 제한된 sd/mean 비율을 갖는 특정 교사에 대한 예측 변수 세트를 찾는 것이며 무시할 수 있습니다. 예측 안정성은 거래 시스템의 초석입니다.
문장 그대로 구글
"
시리즈 수준의 미래 가치에 대한 최적의 예측은 현재 가치 임이 밝혀졌습니다."
정확히 이해하는 것이 중요합니다. "비정상성"이란 무엇입니까? 시계열 자체의 비정상성에 빠지지 않습니다. 대부분의 경우 kotir 자체의 비 고정성을 무시할 수 있습니다.
초석은 조건부 확률 Py(Y|X)입니다.
조건부 확률 대신 특정 교사와 관련하여 예측자의 "예측 능력"을 사용하는 것이 더 편리합니다.
나는 그러한 예측 능력의 척도를 도입하고 VR보다 창을 몰고 2000개의 예에서 통계를 얻었습니다. 모델 얘기는 전혀 하지 않았다는 점을 강조하고 싶다. 우리는 "예측자-교사" 쌍을 찾고 있습니다.
다음은 결과 중 일부입니다. 열은 별도의 예측 변수이고 마지막 행에는 예측 능력의 평균값, 표준 편차 및 편의상 %가 표시됩니다.
예측 변수 중 sd/mean 비율이 약 10%인 예측 변수가 있음을 알 수 있습니다. 그러나 이 비율이 100% 이상일 것이라는 예측 변수를 만나지 못했다는 것은 놀라운 일입니다.
따라서 설계 작업은 10%, 바람직하게는 5%의 제한된 sd/mean 비율을 갖는 특정 교사에 대한 예측 변수 세트를 찾는 것이며 무시할 수 있습니다. 예측 안정성은 거래 시스템의 초석입니다.
정확히 이해하는 것이 중요합니다. "비정상"이란 무엇입니까? 시계열 자체의 비정상성으로 미끄러지지 않습니다. 대부분의 경우 kotir 자체의 비 고정성을 무시할 수 있습니다.
초석은 조건부 확률 Py(Y|X)입니다.
조건부 확률 대신 특정 교사와 관련하여 예측자의 "예측 능력"을 사용하는 것이 더 편리합니다.
나는 그러한 예측 능력의 척도를 도입하고 VR보다 창을 몰고 2000개의 예에서 통계를 얻었습니다. 모델 얘기는 전혀 하지 않았다는 점을 강조하고 싶다. "예측자-교사" 쌍을 찾고 있습니다.
다음은 결과 중 일부입니다. 열은 별도의 예측 변수이고 마지막 행에는 예측 능력의 평균값, 표준 편차 및 편의상 %가 표시됩니다.
예측 변수 중 sd/mean 비율이 약 10%인 예측 변수가 있음을 알 수 있습니다. 그러나 이 비율이 100% 이상일 것이라는 예측 변수를 만나지 못했다는 것은 놀라운 일입니다.
따라서 설계 작업은 10%, 바람직하게는 5%의 제한된 sd/mean 비율을 갖는 특정 교사에 대한 예측 변수 세트를 찾는 것이며 무시할 수 있습니다. 예측 안정성은 거래 시스템의 초석입니다.
시리즈의 고정성이 없으면 귀하와 같은 통계 계산이 의미가 없을 수 있습니다. 샘플 값이 실제 값으로 수렴되지 않을 수 있습니다. 예를 들어, 인접 증분의 선택적 상관 관계가 0이 아니지만 실제 상관 관계가 0인 예를 생각해 내기 쉽습니다.
추신.
고정성은 "협소한 의미에서" 이해됩니다. 즉, 시간에 따른 공동 분포의 독립성입니다.
고정성은 불완전할 수 있습니다. 예를 들어, 증분의 공동 분포(정상 증분이 있는 프로세스)에만 관련될 수 있습니다.
물론 구현 중 하나일 뿐인 시리즈가 아니라 루프의 고정성에 대해 이야기하는 것이 맞습니다. 이 과정. 하지만 우리는 시험에 있지 않으므로 중요하지 않습니다)
종종 고정성은 "가장 넓은 의미에서"의 변형을 의미합니다. 동시에 평균과 분산의 불변성만 기억하고 ACF의 조건은 잊어버립니다. 어떤 경우든, 그러한 정상성은 MO에서 충분하지 않습니다(선형 모델에 충분할 것입니다).
이것은 MO에서 마스터의 예술, 그러한 연결을 찾는 요소일 뿐입니다. 제 경험에 따르면 비슷한 일을 하고 있습니다. 그들은 종종 리소스 집약적 인 크로스 엔트로피를 통해 종속성을 찾습니다. 당신이 더 빠른가요?
예측자당 약 1초(XEON-1620).
시리즈의 고정성이 없으면 귀하와 같은 통계 계산이 의미가 없을 수 있습니다. 샘플 값이 실제 값으로 수렴되지 않을 수 있습니다. 예를 들어, 인접 증분의 선택적 상관 관계가 0이 아니지만 실제 상관 관계가 0인 예를 생각해 내기 쉽습니다.
추신.
고정성은 "협소한 의미에서" 이해됩니다. 즉, 시간에 따른 공동 분포의 독립성입니다.
고정성은 불완전할 수 있습니다. 예를 들어, 증분의 공동 분포(정상 증분이 있는 프로세스)에만 관련될 수 있습니다.
물론 구현 중 하나일 뿐인 시리즈가 아니라 루프의 고정성에 대해 이야기하는 것이 맞습니다. 이 과정. 하지만 우리는 시험에 있지 않으므로 중요하지 않습니다)
종종 고정성은 "가장 넓은 의미에서"의 변형을 의미합니다. 동시에 평균과 분산의 불변성만 기억하고 ACF의 조건은 잊어버립니다. 어떤 경우든, 그러한 정상성은 MO에서 충분하지 않습니다(선형 모델에 충분할 것입니다).
나는 고양이 자체에 관심이 없다. 교사를 예측하는 예측자의 능력에 관심이 있습니다. 저에게 대다수의 트레이더가 저지르는 가장 중요한 실수는 견적 자체의 문제를 해결하려는 시도에 있습니다. 그리고 우리는 교사의 예측이 필요합니다. 이것은 완전히 다른 문제입니다.
나는 고양이 자체에 관심이 없다. 교사를 예측하는 예측자의 능력에 관심이 있습니다. 저에게 있어 대다수의 트레이더들의 가장 큰 실수는 견적 자체의 문제를 해결하려는 시도에 있습니다. 그리고 우리는 교사의 예측이 필요합니다. 이것은 완전히 다른 문제입니다.
이것은 "선생님의 예측"이 무엇입니까??