이러한 전략을 고려할 때, 시장이 장중 추세 전환을 시작했다고 잠정적으로 결론 내릴 수 있다고 생각합니다.
문제는 역사에서 이제 막 더 자주 나타나는 요인이 있는지, 그렇다면 예측할 수 있는지, 아니면 확률 편향이 선형적으로 증가했는지 여부입니다.
또는 이전에는 볼 수 없었던 완전히 새로운 이벤트(예측 지표의 조합)일 수도 있습니다.
한 가지 분명한 것은 상황의 역학을 고려한 다른 방식의 모델 구축이 필요하다는 것입니다. 그러면 다른 요인의 등장/강화로 인한 양자 세그먼트 확률의 변화를 설명할 수 있고, 이러한 다른 요인을 미리 예측할 수 있습니다. 즉, 무엇이 바뀌었는지, 그리고 이 변화를 예측할 수 있는지 이해하고 최종 모델에서 이러한 변화를 더 고려해야 합니다.
질문에 답하자면, 이 DLL은 내 라이브러리의 실제 및 데모 계좌의 액세스 키를 확인하기 위한 것입니다. 연결은 구글 클라우드 의 내 클라우드로 이동합니다. 이 DLL은 자동 주기적 최적화에도 사용됩니다. 게시물 첨부 파일에서 데모 소스 (코드의 일부는 게시용이 아닙니다. 특히 자동 최적화 프로그램의 코드).
가설 이론적 특성의 드리프트(주부들 사이의 CATE)에 대한 의존성 곡선을 그리면 대상 속성의 변화 탄력성을 얻을 수 있습니다.
안타깝게도 귀하의 답변을 이해하지 못하겠습니다. 정확히 무엇을 해야 하나요? 그리고 그것은 "특성의 위생 이론적 드리프트"를 의미하는 것은 무엇입니까-그것은 모두에서 또는 각각에서 개별적으로입니까? 파이썬에서 이 작업을 시도해 보셨나요? A/B 테스트의 경우 전환점을 알고 있지만 여기에는 점진적인 변화와 같은 전환점이 없습니다.
예측 변수의 드리프트는 분산의 변화와 확률 분포의 변화로 나타날 수 있습니다.
따라서 첫 번째 경우 논리는 과거 샘플에 남아 있지만 탐욕 방법은 단순히 그것을 꺼낼 수 없습니다.
두 번째 경우에는 예측자가 설명하는 이벤트 결과의 논리가 변경되었습니다.
이와는 별도로 데이터 정규화 부족으로 인한 드리프트에 주목할 수 있습니다. 우리의 경우, 가격이 범위를 벗어나고 예측자가 이를 고려하지 않는 경우와 관련이 있습니다. 예를 들어, 무언가를 포인트로만 측정하는 경우입니다.
이러한 전략을 고려할 때, 시장이 장중 추세 전환을 시작했다고 잠정적으로 결론 내릴 수 있다고 생각합니다.
문제는 역사에서 이제 막 더 자주 나타나는 요인이 있는지, 그렇다면 예측할 수 있는지, 아니면 확률 편향이 선형적으로 증가했는지 여부입니다.
또는 이전에는 볼 수 없었던 완전히 새로운 이벤트(예측 지표의 조합)일 수도 있습니다.
한 가지 분명한 것은 상황의 역학을 고려한 다른 방식의 모델 구축이 필요하다는 것입니다. 그러면 다른 요인의 등장/강화로 인한 양자 세그먼트 확률의 변화를 설명할 수 있고, 이러한 다른 요인을 미리 예측할 수 있습니다. 즉, 무엇이 바뀌었는지, 그리고 이 변화를 예측할 수 있는지 이해하고 최종 모델에서 이러한 변화를 더 고려해야 합니다.
우리는 무엇을 거래하고 있습니까?
추세?
패턴?
가치를 통한 증분 통계?
먼저 결정한 다음 결론을 도출해야 합니다.
또 가치입니다.
가치는 뭐가 문제인가요?
추세 트레이딩은 포함되지 않으므로 패턴은 MO 또는 가치를 통한 두 가지 옵션뿐입니다.
무엇을 거래하고 있나요?
트렌드?
패턴?
가시를 통한 증분 통계?
먼저 결정한 다음 결론을 도출해야 합니다.
표본 크기에 대한 질문이 있으신가요?
본질적으로 뭐라고 대답해야 할지 모르겠습니다.
아마도 일중 추세의 시작 패턴일 것입니다.여기가 어떤 도서관인지 궁금합니다.
질문에 답하자면, 이 DLL은 내 라이브러리의 실제 및 데모 계좌의 액세스 키를 확인하기 위한 것입니다. 연결은 구글 클라우드 의 내 클라우드로 이동합니다. 이 DLL은 자동 주기적 최적화에도 사용됩니다. 게시물 첨부 파일에서 데모 소스 (코드의 일부는 게시용이 아닙니다. 특히 자동 최적화 프로그램의 코드).
안녕하세요!
때때로 저는 10~20년 동안 최적화된 차트를 보곤 합니다. 어떤 곳에서는 3 년 동안 2 년 동안 1 년 동안 자두가 있습니다. 하지만 차트는 성장하고 있습니다.
로봇이 수익성 있게 거래하는 성장 급등 패턴을 찾을 수 있나요?
여기서 흥미로운 점을 발견했습니다.
데이터 드리프트에 대해서는 누구나 알고 있습니다. 하지만 저는 시간이 지남에 따라 전략 자체에 어떤 변화가 일어나는지 살펴보기로 했습니다.
이 실험이 무슨 내용인지 모르겠습니다. 전략 결과의 탄력성은 예측 변수의 드리프트에 따라 달라지지 않나요? 전략은 예측 변수에 따라 달라집니다.
이 실험이 무슨 내용인지 모르겠어요. 전략 결과의 탄력성은 예측 변수의 드리프트에 따라 달라지지 않나요? 전략은 예측 변수에 따라 달라집니다.
시간 간격에 따른 통계적 특성의 변화, 즉 목표의 드리프트에 관한 것입니다...
대상의 드리프트는 본질적으로 시간 간격에 따른 통계적 속성의 변화에 관한 것입니다...
특징 드리프트에 따라 달라집니다
의존성 곡선을 가상의 이론적 특성 드리프트(주부들 사이의 CATE)에 대해 플롯하면 대상의 속성 변화에 대한 탄력성을 얻을 수 있습니다.특성의 드리프트에 따라 달라지는 것
가설 이론적 특성의 드리프트(주부들 사이의 CATE)에 대한 의존성 곡선을 그리면 대상 속성의 변화 탄력성을 얻을 수 있습니다.안타깝게도 귀하의 답변을 이해하지 못하겠습니다. 정확히 무엇을 해야 하나요? 그리고 그것은 "특성의 위생 이론적 드리프트"를 의미하는 것은 무엇입니까-그것은 모두에서 또는 각각에서 개별적으로입니까? 파이썬에서 이 작업을 시도해 보셨나요? A/B 테스트의 경우 전환점을 알고 있지만 여기에는 점진적인 변화와 같은 전환점이 없습니다.
예측 변수의 드리프트는 분산의 변화와 확률 분포의 변화로 나타날 수 있습니다.
따라서 첫 번째 경우 논리는 과거 샘플에 남아 있지만 탐욕 방법은 단순히 그것을 꺼낼 수 없습니다.
두 번째 경우에는 예측자가 설명하는 이벤트 결과의 논리가 변경되었습니다.
이와는 별도로 데이터 정규화 부족으로 인한 드리프트에 주목할 수 있습니다. 우리의 경우, 가격이 범위를 벗어나고 예측자가 이를 고려하지 않는 경우와 관련이 있습니다. 예를 들어, 무언가를 포인트로만 측정하는 경우입니다.