元のBPから、例えばM1上に何らかのサンプルがあるとする。最初の差分 d1[i]=Open[i]-Open[i-1] の系列を構築し、隣接するサンプル間の TF=1m の相関係数を、 f1=SUM(d1[i]*d1[i-1])/SUM(d1[i]^2), index は BP の全値を実行する、と算出する。TF=2mの場合も同様に、まず2m分のBPを構成し、その最初の差分d2[i]を求め、目的のTFまで求めます。TF=1500分（約24時間）に限定しました。例えばM2のように、分単位で別のTFを構成するのはどうなのかという疑問が生じるかもしれませんが、ここではすべてが透明になっているようです。まさにこのデータ（異なるTFの回転数における相関係数の値）は、私が前回の記事でチャート上に示したものです。
パーフェクトMAは、そのようなものです。'著者の台詞。アレクサンドル・スミルノフ」。
投稿を見るANG3110 2008.02.06 20:48
再描画すれば完成度は？
は、履歴を「知らずに」、最新の気配値とその一つ前の値 X[i]-X[i-1] だけを分析し、利益を最大化するのである。このように思えるのです。
つまり、最も収益性の高いシステムを作っていることになります。そして、あなたが開発しているメソッドは、利用可能な履歴の上でトレースできるすべての規則性を使用しています。
>> 大胆に!
再描画すれば完成度は？
私たちは、あるストーリーをもとに、完璧なMAを作り上げるのです。これが、目指すべき姿です。そして、描きすぎず、このカーブからのずれが少ないものを探すのです。それは次のようなものです。
つまり、最も収益性の高いシステムを作っていることになります。そして、あなたが開発しているメソッドは、あなたが利用できる歴史に遡ることができるすべての規則性を使用しています。
大胆に!
おやおや、これはこれは。私が患者番号6のように見えるか？
明らかに、この方法や他の方法を用いて積分されたランダムな変数（準ランダムではなく、正確にランダム）のダイナミクスを予測すると、ゼロになるのです定義上、ランダムなプロセスには勝てない、それが自然界の法則です。一方、時系列（TR）は価格系列のように完全にランダムではなく、明示的・暗黙的な規則性があり、それを利用することでFX市場で統計的な利益を得ることができます。そこで、このような弱いパターンを検出する手法やツールが必要になってくるのです。そのひとつが、移動平均を用いた相場への適用です。この方法は、その利用が正当化され、数学的に正しいとされる、明確な適用範囲を持っています。本質的には、すべての移動平均は、最初のBPを統合した形である。最も一般的な意味では、統合はトレンドによる未来予測であり、分化はプロセストレンドの決定である。しかし、具体的にどのようなトレンドなのでしょうか？の束をよく見てみると
BP-MA予測では 、BPの一次差分の系列で隣り合う測定値間の相関係数が正であることが、MA法の適用要件を判断する上で難しくない。この場合、MAは有益な戦略を与え、我々のMAは可能な限り最高の利益を与えてくれるのですそのために私たちは戦っているのです。
しかし、価格BPを上記の要件に適合しているかどうかを分析すると、むしろ否定的な結果になる。本当に、現実には、すべてのTFの価格系列は、通常、第一差分の系列に小さな負の自己相関係数を持ち、トレンドの時だけ、この係数が正となる。
提案手法の適用性や効率性は、実験結果によってのみ推定することができる。
ブラショフに行きたいと思い続けています。完璧なマッシュの方程式は、そこそこ同じだった。しかし、結局はDEMAになってしまった。
マッハの代わりに、NK法によるべき乗多項式による補間を使用する
を、どこかの窓の上に置いてください。明らかに、内挿曲率の外挿は
というのも、将来の小さな近傍であっても、ほとんど意味がないのですが、現在を表現するために
は、最も興味深い場所、つまりBPの右端にあるため、現在の状態を記述することができます。
ウィンドウサイズと曲率の度合いを変えることで、以下のようなことが可能になります。
一方、現在のプロセスやその段階を重視し、より一般的または詳細な見解を持つことも可能である。
プロセスおよびそのフェーズを説明します。
私の考えでは、BPの将来を予測する唯一の方法は、分析することです。
プロセスの進化-例えば、強い下降プロセスがあった、現在の状態では
横のプロセスに置き換わった→さらに成長するプロセスが可能。
この方法は、特にネットワーカーにとって有用であると私は考えています。
は、補間曲線の典型的な特性をいくつか挙げてみましょう。
例：トレンド成分（方向と大きさ）、トレンド成分との乖離、トレンド成分との関係
トレンド成分、形式化されたカーブ形状など。- いっそのこと
ネットワークに電流を識別し、予測することを教えることで、あなたの想像力を発揮します。
将来のプロセスを予測し、それに基づいて取引戦略を構築する。
また、遠い過去と近い過去を異なる方法で滑らかにすることもできます - 何か
EMAと同様です。また、合成的なアプローチで実施することも可能です
- を使用し、それに応じて長い移動平均を平滑化します。
の遅延、そしてムービングがまだ機能していない近過去。
補間カーブを使って解析する。
このようなアプローチは、特にネットワーカーにとって有用であると私は考えています。
で補間曲線の典型的な特性をいくつか送り出す。
例：トレンド成分（方向と大きさ）、トレンドからの乖離度
トレンド成分、形式化されたカーブ形状など。- いっそのこと
ネットワークに電流を識別し、予測することを教えることで、あなたの想像力を発揮します。
将来のプロセスを予測し、それに基づいて取引戦略を構築する。
私見ですが、このようなNSの入力データの前処理は、一種の姥捨て山だと思います。初期BPをミューブで統合することで、まず私たち自身が価格設定のイメージを明確にする（滑らかな曲線、目に見えるトレンド）一方で、スムージング処理自体は入力データに追加情報をもたらさない（利用できない）ため、NSの作業を容易にすることはないのです。この観点から、特別に分解されたデータをNSの入力に送り、準定常的なプロセスにネットワークの注意を最大限に集中させる必要がある。そのようなプロセスの候補は、PDFの負の相関係数である可能性があり、それはところで、コチルの統合（平滑化）によって分離することができない。ここでは別の方法、アプローチが必要です。これは期待できそうです。
また、遠い過去と近い過去を異なる方法で滑らかにすることもできます - 何か
EMAと同様です。また、合成的なアプローチで実施することも可能です
- は、非常に強く平滑化された移動平均を使用し、それに応じて長くなります。
の遅延、そしてムービングがまだ機能していない近過去。
補間曲線で解析する。
これらはすべて複雑で、正当な理由が必要ですが、ほぼ間違いなく努力と時間の無駄です。
...すべてのTFの価格系列は，一次差分において小さな負の自己相関係数を持つ傾向があり，トレンドにおいてのみ，この係数が正となることがある。
元のBPから、例えばM1上に何らかのサンプルがあるとする。最初の差分 d1[i]=Open[i]-Open[i-1] の系列を構築し、隣接するサンプル間の TF=1m の相関係数を；f1=SUM（d1[i]*d1[i-1]）/SUM（d1[i]^2）、ここで index は BPの全値を実行する、として算出する。TF=2mの場合も同様に、まず2m分のBPを構成し、その最初の差分d2[i]を求め、目的のTFまで求めます。TF=1500分（約24時間）に限定しました。例えばM2のように、分単位で別のTFを構成するのはどうなのかという疑問が生じるかもしれませんが、ここではすべてが透明になっているようです。前回の記事でプロットしたのは、このデータ（異なるTFの回転数における相関係数の値）です。
元のBPから、例えばM1上に何らかのサンプルがあるとする。最初の差分 d1[i]=Open[i]-Open[i-1] の系列を構築し、隣接するサンプル間の TF=1m の相関係数を 、 f1=SUM(d1[i]*d1[i-1])/SUM(d1[i]^2), index は BP の全値を実行する、と算出する。TF=2mの場合も同様に、まず2m分のBPを構成し、その最初の差分d2[i]を求め、目的のTFまで求めます。TF=1500分（約24時間）に限定しました。例えばM2のように、分単位で別のTFを構成するのはどうなのかという疑問が生じるかもしれませんが、ここではすべてが透明になっているようです。まさにこのデータ（異なるTFの回転数における相関係数の値）は、私が前回の記事でチャート上に示したものです。
さらに良い）この数式は何なのか、どこから得ているのか。
вот посмотрите как расчитывается коэффициент кореляцииhttps://ru.wikipedia.org/wiki/%D0%9A%D0%BE%D1%8D%D1%84%D1%84%D0%B8%D1%86%D0%B8%D0%B5%D0%BD%D1%82_%D0%BA%D0%BE%D1%80%D1%80%D0%B5%D0%BB%D1%8F%D1%86%D0%B8%D0%B8
相関係数はカウント間ではなく、アレイ間で計算されます。自分の言っていること、主張していること、カウントしていることが他の人にわかるように、正確な表現をお願いします。