Analysez les caractéristiques STATISTIQUES importantes du modèle et choisissez une méthode de trading sur ce modèle. - page 3
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Vous pouvez aussi utiliser les percentiles, c'est plus facile à calculer, vous avez besoin de plus de données pour qu'il n'y ait pas de surprises...
Il a donné des indications sur les endroits à creuser.) Bien que, il y a beaucoup de choses que vous pouvez faire.....
Je vais me renseigner sur les percentiles, merci).
Quelque chose me dit que les chances sont proches de 50%. :)
Qu'est-ce que c'est ? Quel est le sentiment ?
Probablement de l'expérience. :)
Oh, combien de découvertes merveilleuses
L'esprit des Lumières
Et Expérience, [fils d'] erreurs difficiles,
Et le génie, ami [des paradoxes],
[Et le hasard, le dieu de l'invention]
Cherchez l'indicateur de mon plus proche voisin dans la base de code. La méthode est assez simple. Vous pouvez définir la longueur du modèle actuel, trouver des modèles similaires dans l'historique (par exemple, utiliser la corrélation comme distance entre les modèles), prédire le comportement futur des prix à partir des modèles passés en pondérant leurs prédictions individuelles. C'est essentiellement la même chose que le clustering, ou le RBF, ou le SVM, ou le GRNN. Tout dépend de la façon dont vous mesurez la distance entre le modèle actuel et les modèles antérieurs similaires. Lisez à propos de GRNN et Bayes. La théorie de la prédiction y est décrite en termes de distributions statistiques. Il y a beaucoup d'écrits sur le GRNN et les méthodes de prédiction mentionnées ci-dessus et tout se résume à une formule simple :
prédiction y = SOMME y[k]*exp(-d[k]/2s^2) / SOMME exp(-d[k]/2s^2)
où y[k] est le kième motif passé, d[k] est la distance entre le kième motif et le motif actuel. Si les distances ont une distribution gaussienne, alors d[k] = (x - x[k])^2. Pour une distribution arbitraire (super gaussienne), d[k] = |x - x[k]|^p, où vous choisissez p selon que vous voulez donner plus de poids aux voisins les plus proches (grand p), ou donner à tous les voisins presque le même poids (petit p) comme dans le socialisme. Avec p=0, nous avons un socialisme total.
Après s'être familiarisé avec les voisins les plus proches et le GRNN, la prochaine question évidente se pose. Comment mesurer la distance entre le modèle actuel et les modèles antérieurs si vous tenez compte des distorsions de l'axe du temps (c'est-à-dire que les modèles antérieurs peuvent ressembler au modèle actuel mais en étant étirés ou comprimés dans le temps). C'est là que réside le problème.
C'est là que réside le problème.
J'ai déjà mangé ce chien, la question est différente maintenant. Peut-être que ce n'est pas tout à fait ça :)
Mais vos publications sont très intéressantes, merci, je vais y jeter un œil.
si la distorsion de l'axe temporel est prise en compte (c'est-à-dire que les modèles passés peuvent ressembler au modèle actuel mais sont soit étirés, soit compressés dans le temps). C'est ici que le chien est enterré.
En conséquence de cette déclaration - ce chien n'est pas découvert pour le moment uniquement en raison des limitations des ressources informatiques.
Cela semble être une contradiction : si vous disposez d'autant de ressources informatiques que nécessaire, n'importe quel chien peut être découvert. Comme, la solution de tout problème ne dépend que de la quantité de ressources informatiques disponibles.
En général, la logique est, pour le moins, étrange. Par conséquent, lorsqu'ils disent "le chien est enterré là", se plaignant indirectement de l'insolubilité computationnelle du moment, nous pouvons dire sans risque qu'il n'y a pas de chien là.
En conséquence de cette déclaration - ce chien n'est actuellement pas débloqué uniquement en raison des limitations du nombre de ressources informatiques.
Cela semble être une contradiction : s'il y a autant de ressources informatiques qu'il y en a, alors n'importe quel chien peut être déverrouillé. Comme, la solution de tout problème ne dépend que de la quantité de ressources informatiques disponibles.
En général, la logique est, pour le moins, étrange. Par conséquent, lorsqu'ils disent "le chien est enterré là", se plaignant indirectement de l'insolubilité computationnelle du moment, nous pouvons dire sans risque qu'il n'y a pas de chien là.
Tout se fait par le biais de transformations affines... et cela nécessite un minimum de ressources... avec la bonne approche
Tout se fait par le biais de transformations affines... et cela ne nécessite que des ressources minimales... avec la bonne approche.
Legraal n'a pas fonctionné - l'approche n'était pas assez compétente !
Cette déclaration est devenue si populaire pour quelle raison ?
Le graal n'a pas fonctionné - l'approche n'était pas assez compétente !
Quelle est la raison pour laquelle cette déclaration est devenue si populaire ?
Le diable est toujours dans les détails... ce n'est pas le Graal qu'il faut mais au moins quelque chose d'utile :)
le problème est que les gens ne savent pas ce qu'ils font, je pense... et pour quoi faire.
prédiction y = SOMME y[k]*exp(-d[k]/2s^2) / SOMME exp(-d[k]/2s^2)
où y[k] est le kième motif passé, d[k] est la distance entre le kième motif et le motif actuel. Si les distances ont une distribution gaussienne, alors d[k] = (x - x[k])^2. Pour une distribution arbitraire (super gaussienne), d[k] = |x - x[k]|^p, où vous choisissez p selon que vous voulez donner plus de poids aux voisins les plus proches (grand p), ou donner à tous les voisins presque le même poids (petit p) comme dans le socialisme. Avec p=0, nous avons un socialisme total.
Après s'être familiarisé avec les voisins les plus proches et le GRNN, la prochaine question évidente se pose. Comment mesurer la distance entre le modèle actuel et les modèles antérieurs si vous tenez compte des distorsions de l'axe du temps (c'est-à-dire que les modèles antérieurs peuvent ressembler au modèle actuel mais en étant étirés ou comprimés dans le temps). C'est là que réside le problème.