Fenómenos del mercado - página 61
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
El Swinosaurus fue el padre de esa rama, pero lo interesante está, como dijo Mathemat, en el medio hasta el final de la rama. Y eso, interesante en general, no es su mérito, sino
Yurixx, Mathemat, Candid, MetaDriver , etc. Léalo, lo encontrará interesante.
El viernes acaba de empezar y llevan desde el jueves...
Sólo Neutrón ha ilustrado algo sensato.
2 Neutrón. El siguiente paso es ver la distribución de intervalos del "segundo" proceso. ¡Muéstrame, por favor!
rsi:
El siguiente paso es observar la distribución del intervalo de tiempo del "segundo" proceso.
Estoy investigando.
Lo interesante es que la equidad de la ST basada en esta idea es realmente ascendente. Estoy viendo la aleatoriedad de la misma. Está claro que probablemente no lo sea, ¡pero es fascinante!
Y con el análisis de regresión no lineal, ¿qué se puede determinar en este caso?
Para empezar, hay que dividir la tarea en partes:
1. Basándonos en el hecho de que si hemos optimizado la ST, sus pruebas de avance exitosas se agolpan en ciertos lugares, es decir, si el factor de beneficio es 1,6 o superior, lo más probable es que la prueba de avance sea un drenaje, si está por debajo de algún valor, entonces también es un drenaje. Si la reducción en el punto de optimización supera un determinado límite, lo más probable es que la prueba de avance no tenga éxito. Lo mismo ocurre con la retribución esperada. La falta de importancia, en comparación con la dispersión, de la remuneración esperada en los resultados de la optimización conduce a pruebas de avance infructuosas. Es decir, tenemos algunas dependencias entre los resultados de la optimización y el éxito de las pruebas de avance y, por lo tanto, tenemos que ser más precisos. Busquemos en los libros de referencia un método apropiado (contextualmente relevante) para los estudios. Hemos comprobado que, en nuestro contexto, la regresión logística seguida de un análisis ROC parece adecuada, es decir, permite calcular la probabilidad de éxito de un evento (prueba de avance) en función de sus características (parámetros de ajuste). Teóricamente encaja, aunque no estoy seguro, ya que la regresión logística más común es lineal, y sería mejor llevarla a una forma no lineal. Pero esto es una especulación hasta ahora, es muy posible que la linealidad sea más que suficiente.
2. tenemos el segmento inicial de la prueba de avance y necesitamos construir su modelo matemático utilizando una regresión no lineal para la extrapolación, por ejemplo, utilizando OLS o aproximación de polinomios de potencia.
3. Tenemos los datos en el punto 1 y el modelo en el punto 2. Examine el modelo en el punto 2 en busca de una desviación (residuos en la terminología econométrica) del segmento delantero conocido del modelo. Investigue las características del intervalo conocido de la prueba a plazo y sus desviaciones y tome los datos del paso 1 y realice un análisis, por ejemplo, utilizando la regresión logística descrita anteriormente, calcule una probabilidad de que la prueba a plazo no se haya agotado y tenga un potencial suficiente para realizar operaciones rentables en el futuro (de lo contrario, deberíamos volver a optimizar todo y buscar otra prueba a plazo exitosa).
Este es, a grandes rasgos, el plan de investigación de las pruebas de futuro.
Para empezar, hay que dividir la tarea en partes:
1. Basándonos en el hecho de que si hemos optimizado la ST, sus pruebas de avance exitosas se agolpan en ciertos lugares, es decir, si el factor de beneficio es 1,6 o superior, lo más probable es que la prueba de avance sea un drenaje, si está por debajo de algún valor, entonces también es un drenaje. Si la reducción en el punto de optimización supera un determinado límite, lo más probable es que la prueba de avance no tenga éxito. Lo mismo ocurre con la retribución esperada. La falta de importancia, en comparación con la dispersión, de la remuneración esperada en los resultados de la optimización conduce a pruebas de avance infructuosas. Es decir, tenemos algunas dependencias entre los resultados de la optimización y el éxito de las pruebas de avance y, por lo tanto, tenemos que ser más precisos. Busquemos en los libros de referencia un método apropiado (contextualmente relevante) para los estudios. Encontramos, por ejemplo, que en nuestro contexto, la regresión logística seguida de un análisis ROC parece ser apropiada, es decir, permite calcular la probabilidad de éxito de un evento (forward test) en función de sus características (parámetros de ajuste). Teóricamente encaja, aunque no estoy seguro, ya que la regresión logística más común es lineal, y sería mejor llevarla a una forma no lineal. Pero esto es una especulación hasta ahora, es muy posible que la linealidad sea más que suficiente.
2. tenemos un segmento inicial de la prueba de avance y necesitamos construir un modelo matemático utilizando una regresión no lineal para la extrapolación, por ejemplo, utilizando OLS o aproximación de polinomios de potencia.
3. Tenemos los datos en el ítem 1 y el modelo en el ítem 2. Examine el modelo en el ítem 2 para ver si hay desviaciones (residuos en la terminología econométrica) del segmento delantero conocido del modelo. Investigue las características del intervalo conocido de la prueba a plazo y sus desviaciones y tome los datos del paso 1 y realice un análisis, por ejemplo, utilizando la regresión logística descrita anteriormente, calcule una probabilidad de que la prueba a plazo no se haya agotado y tenga un potencial suficiente para realizar operaciones rentables en el futuro (de lo contrario, deberíamos volver a optimizar todo y buscar otra prueba a plazo exitosa).
Este es, a grandes rasgos, el plan de investigación de las pruebas de futuro.
Está bien si su TS convierte una cotización no estacionaria en un beneficio estacionario.
Y si el beneficio no es estacionario, ¿es eso malo?
Para empezar, hay que dividir la tarea en partes:
1. Basándonos en el hecho de que si hemos optimizado el TS, sus pruebas de avance exitosas se agolpan en ciertos lugares, es decir, si el factor de beneficio es 1,6 o superior, entonces lo más probable es que la prueba de avance falle, si está por debajo de algún valor, entonces también está fallando. Si la reducción en el punto de optimización supera un determinado límite, lo más probable es que la prueba de avance no tenga éxito. Lo mismo ocurre con la retribución esperada. La falta de importancia, en comparación con la dispersión, de la remuneración esperada en los resultados de la optimización conduce a pruebas de avance infructuosas. Es decir, tenemos algunas dependencias entre los resultados de la optimización y el éxito de las pruebas de avance y, por lo tanto, tenemos que ser más precisos. Busquemos en los libros de referencia un método apropiado (contextualmente relevante) para los estudios. Hemos comprobado que, en nuestro contexto, la regresión logística seguida de un análisis ROC parece adecuada, es decir, permite calcular la probabilidad de éxito de un evento (prueba de avance) en función de sus características (parámetros de ajuste). Teóricamente encaja, aunque no estoy seguro, ya que la regresión logística más común es lineal, y sería mejor llevarla a una forma no lineal. Pero esto es una especulación hasta ahora, es muy posible que la linealidad sea más que suficiente.
2. tenemos un segmento inicial de la prueba de avance y necesitamos construir su modelo matemático utilizando una regresión no lineal para la extrapolación, por ejemplo, utilizando OLS o aproximación de polinomios de potencia.
3. tenemos los datos del paso 1 y el modelo del paso 2. Examine el modelo del paso 2 para ver si hay desviación (residuos según la terminología econométrica) del segmento delantero conocido del modelo. Investigue las características del intervalo conocido de la prueba a plazo y sus desviaciones y tome los datos del paso 1 y realice un análisis, por ejemplo, utilizando la regresión logística descrita anteriormente, calcule una probabilidad de que la prueba a plazo no se haya agotado y tenga un potencial suficiente para realizar operaciones rentables en el futuro (de lo contrario, deberíamos volver a optimizar todo y buscar otra prueba a plazo exitosa).
Este es, a grandes rasgos, el plan de investigación de las pruebas de futuro.
Aunque sólo hace dos meses que estoy familiarizado con MQL y la programación en general y no sé mucho, pero sigo pensando que es técnicamente muy difícil probar esta idea usando MQL.
Aquí necesitamos que el probador se llame a sí mismo al realizar la prueba. Aunque, alternativamente, puede utilizar probadores desde dos terminales, si es posible (y si es posible iniciar el probador desde el Asesor Experto).
Y si los beneficios son inestables, ¿es eso algo malo?
La valoración de ISC es insostenible.
¡No seas ridículo! ¿Qué tiene que ver el ISC con esto? ¿Qué tiene que ver la estacionariedad con la no estacionariedad?
Estás recogiendo palabras y dejándolas caer por todas partes... Has oído el sonido, pero no sabes dónde está.