패턴 조각으로 계산하는 것이 좋습니다. 피크의 동일한 침투(작업에 중요함)는 1년에 수백 번 이상 발생하지 않습니다. 나는 그것을 한계라고 부를 것이다. 더 복잡한 패턴을 만들려고 시도하는 경우 - 예를 들어 일부 조건을 충족하는 피크의 연속 침투 쌍을 취하면 그 수는 연간 수십으로 측정할 수 있습니다. 그리고 이것은 이미 충분하지 않습니다.
네, 데이터가 적다는 점에 동의하므로 스토리를 최대한 활용합니다. 물론 예제가 많을수록 이론상 결과가 더 확실해집니다. 하지만 실제로는 그렇습니다.
주어진 유형의 모든 가능한 패턴 구성을 통한 순환과 같은 것입니까? 나는 같은 피크 브레이크 아웃으로 비슷한 일을 한 번했습니다. 원칙적으로, 당신은 무언가를 생각해낼 수 있습니다. 오직 열거만이 (일반적인 경우) 반복적이지 않고 재귀적일 것입니다. 다시 말하지만, 대부분의 패턴은 복잡성과 희귀성으로 인해 의미가 없습니다. 의미 있는 패턴의 목록을 수동으로 수집하고 최적의 패턴을 선택하여 정상적인 루프로 이동하는 것이 더 쉬울 것입니다.
시간 경과에 따른 추세/분포/파형 유형을 평가하여 그 안의 추세를 식별할 수 있는 정확한 메트릭이 있는 도구가 필요합니다. 예를 들어 이러한 경향은 무엇입니까?
- 패턴이 나타난 후 오랜 시간 동안 긍정적인 결과가 있었다면 새로운 패턴이 나타날 때 부정적인 결과가 나타날 가능성이 더 큽니다.
- 결과는 샘플의 모든 섹션에 고르게 분포됩니다(섹션을 올바르게 나누는 방법?).
- 패턴에 대해 오랫동안 부정적인 결과가 있었다면 긍정적인 결과가 시작될 가능성이 더 큽니다.
- 오랜 기간 동안 패턴이 없었다면 그 패턴이 나타났을 때 긍정적/부정적 결과가 있을 것입니다.
기본적으로 이와 같은 것. 예, 이것은 통계적 분할이지만 기록 간격에 있어야 하며 저에게 문제는 추정치가 정확하고 바람직하게는 일부 일반화 계수로 표현됩니다.
네, 데이터가 적다는 점에 동의하므로 스토리를 최대한 활용합니다. 물론 예제가 많을수록 이론상 결과는 더 확실해집니다. 하지만 실제로는 그렇습니다.
시간 경과에 따른 추세/분포/파형 유형을 평가하여 그 안에 있는 추세를 식별할 수 있는 정확한 메트릭이 있는 도구가 필요합니다. 예를 들어 이러한 경향은 무엇입니까?
- 패턴이 나타난 후 오랜 시간 동안 긍정적인 결과가 있었다면 새로운 패턴이 나타날 때 부정적인 결과가 나타날 가능성이 더 큽니다.
- 결과는 샘플의 모든 섹션에 고르게 분포됩니다(섹션을 올바르게 나누는 방법?).
- 패턴에 대해 오랫동안 부정적인 결과가 있었다면 긍정적인 결과가 시작될 가능성이 더 큽니다.
- 오랜 기간 동안 패턴이 없었다면, 나타날 때 긍정적/부정적 결과가 있을 것입니다.
기본적으로 이와 같은 것. 예, 이것은 통계적 분할이지만 기록 간격에 있어야 하며 저에게 문제는 추정치가 정확하고 바람직하게는 일부 일반화 계수로 표현됩니다.
생각할 수 있는 가장 간단한 것은 일종의 직렬 테스트에서 계산되는 통계입니다. 거래에서 이것은 일반적으로 이전 거래의 결과에 대한 거래 결과의 의존성을 찾는 맥락에서 언급됩니다. 의존성/직렬성이 눈에 띄는 경우 구조를 연구할 수 있습니다. 여기서 Markov 체인의 방향을 보고 확률 행렬의 일부 기능을 메트릭으로 사용하는 것이 합리적일 것입니다.
히스토리 간격을 줄이기 위해 일반적으로 큰 지그재그를 사용합니다. 확실히 이것은 최적은 아니지만 매우 간단하고 상대적으로 객관적입니다.
생각할 수 있는 가장 간단한 것은 일종의 직렬 테스트에서 계산되는 통계입니다. 거래에서 이것은 일반적으로 이전 거래의 결과에 대한 거래 결과의 의존성을 찾는 맥락에서 언급됩니다. 의존성/직렬성이 눈에 띄는 경우 구조를 연구할 수 있습니다. 여기서 Markov 체인의 방향을 보고 확률 행렬의 일부 기능을 메트릭으로 사용하는 것이 합리적일 것입니다.
이 맥락에서 Markov 체인에 대해 조금 더 자세히 알아보겠습니다.
직렬성에 대해 이야기하는 경우 패턴 구현의 품질을 나타내는 두 가지 상태 + 및 -를 입력할 수 있습니다. 따라서 한 패턴에서 다음 패턴으로의 전환을 위한 네 가지 가능한 옵션이 있습니다. "+"->"-", "+"->"+", "-"->"+", "-"->"-". 전환은 주어진 체인의 확률 매트릭스를 형성하는 4개의 확률(그 중 2개만 독립적임)에 해당합니다.
시리즈의 길이를 고려하는 것에 대해 이야기하고 있다면 상태가 복잡해야 합니다. 예를 들어 커플이 될 수 있습니다. (+,n) 및 (-,n), 여기서 패턴 구현의 품질 외에도 n이 있습니다. 패턴을 포함하는 시리즈의 패턴 수입니다. 이미 잠재적으로 무한한 수의 상태가 있지만 네 가지 가능한 전환도 있습니다(0이 아닌 확률). (+,n)->(+,n+1),(+,n)->(-,1),(-,n)->(+,1),(-,n)->(- ,n+1). 또한 4개의 확률이 있습니다(2개의 독립적인 확률 포함). 차이점은 이제 실행 길이 n에 대한 이러한 확률의 종속성이 나타납니다(또는 나타나지 않음). 이 종속성을 일부 계수로 표현하고 원하는 메트릭으로 사용할 수 있습니다.
패턴 조각으로 계산하는 것이 좋습니다. 피크의 동일한 침투(작업에 중요함)는 1년에 수백 번 이상 발생하지 않습니다. 나는 그것을 한계라고 부를 것이다. 더 복잡한 패턴을 만들려고 시도하는 경우 - 예를 들어 일부 조건을 충족하는 피크의 연속 침투 쌍을 취하면 그 수는 연간 수십으로 측정할 수 있습니다. 그리고 이것은 이미 충분하지 않습니다.
네, 데이터가 적다는 점에 동의하므로 스토리를 최대한 활용합니다. 물론 예제가 많을수록 이론상 결과가 더 확실해집니다. 하지만 실제로는 그렇습니다.
주어진 유형의 모든 가능한 패턴 구성을 통한 순환과 같은 것입니까? 나는 같은 피크 브레이크 아웃으로 비슷한 일을 한 번했습니다. 원칙적으로, 당신은 무언가를 생각해낼 수 있습니다. 오직 열거만이 (일반적인 경우) 반복적이지 않고 재귀적일 것입니다. 다시 말하지만, 대부분의 패턴은 복잡성과 희귀성으로 인해 의미가 없습니다. 의미 있는 패턴의 목록을 수동으로 수집하고 최적의 패턴을 선택하여 정상적인 루프로 이동하는 것이 더 쉬울 것입니다.
시간 경과에 따른 추세/분포/파형 유형을 평가하여 그 안의 추세를 식별할 수 있는 정확한 메트릭이 있는 도구가 필요합니다. 예를 들어 이러한 경향은 무엇입니까?
- 패턴이 나타난 후 오랜 시간 동안 긍정적인 결과가 있었다면 새로운 패턴이 나타날 때 부정적인 결과가 나타날 가능성이 더 큽니다.
- 결과는 샘플의 모든 섹션에 고르게 분포됩니다(섹션을 올바르게 나누는 방법?).
- 패턴에 대해 오랫동안 부정적인 결과가 있었다면 긍정적인 결과가 시작될 가능성이 더 큽니다.
- 오랜 기간 동안 패턴이 없었다면 그 패턴이 나타났을 때 긍정적/부정적 결과가 있을 것입니다.
기본적으로 이와 같은 것. 예, 이것은 통계적 분할이지만 기록 간격에 있어야 하며 저에게 문제는 추정치가 정확하고 바람직하게는 일부 일반화 계수로 표현됩니다.
네, 데이터가 적다는 점에 동의하므로 스토리를 최대한 활용합니다. 물론 예제가 많을수록 이론상 결과는 더 확실해집니다. 하지만 실제로는 그렇습니다.
시간 경과에 따른 추세/분포/파형 유형을 평가하여 그 안에 있는 추세를 식별할 수 있는 정확한 메트릭이 있는 도구가 필요합니다. 예를 들어 이러한 경향은 무엇입니까?
- 패턴이 나타난 후 오랜 시간 동안 긍정적인 결과가 있었다면 새로운 패턴이 나타날 때 부정적인 결과가 나타날 가능성이 더 큽니다.
- 결과는 샘플의 모든 섹션에 고르게 분포됩니다(섹션을 올바르게 나누는 방법?).
- 패턴에 대해 오랫동안 부정적인 결과가 있었다면 긍정적인 결과가 시작될 가능성이 더 큽니다.
- 오랜 기간 동안 패턴이 없었다면, 나타날 때 긍정적/부정적 결과가 있을 것입니다.
기본적으로 이와 같은 것. 예, 이것은 통계적 분할이지만 기록 간격에 있어야 하며 저에게 문제는 추정치가 정확하고 바람직하게는 일부 일반화 계수로 표현됩니다.
생각할 수 있는 가장 간단한 것은 일종의 직렬 테스트에서 계산되는 통계입니다. 거래에서 이것은 일반적으로 이전 거래의 결과에 대한 거래 결과의 의존성을 찾는 맥락에서 언급됩니다. 의존성/직렬성이 눈에 띄는 경우 구조를 연구할 수 있습니다. 여기서 Markov 체인의 방향을 보고 확률 행렬의 일부 기능을 메트릭으로 사용하는 것이 합리적일 것입니다.
히스토리 간격을 줄이기 위해 일반적으로 큰 지그재그를 사용합니다. 확실히 이것은 최적은 아니지만 매우 간단하고 상대적으로 객관적입니다.
생각할 수 있는 가장 간단한 것은 일종의 직렬 테스트에서 계산되는 통계입니다. 거래에서 이것은 일반적으로 이전 거래의 결과에 대한 거래 결과의 의존성을 찾는 맥락에서 언급됩니다. 의존성/직렬성이 눈에 띄는 경우 구조를 연구할 수 있습니다. 여기서 Markov 체인의 방향을 보고 확률 행렬의 일부 기능을 메트릭으로 사용하는 것이 합리적일 것입니다.
이 맥락에서 Markov 체인에 대해 조금 더 자세히 알아보겠습니다.
직렬성에 대해 이야기하는 경우 패턴 구현의 품질을 나타내는 두 가지 상태 + 및 -를 입력할 수 있습니다. 따라서 한 패턴에서 다음 패턴으로의 전환을 위한 네 가지 가능한 옵션이 있습니다. "+"->"-", "+"->"+", "-"->"+", "-"->"-". 전환은 주어진 체인의 확률 매트릭스를 형성하는 4개의 확률(그 중 2개만 독립적임)에 해당합니다.
시리즈의 길이를 고려하는 것에 대해 이야기하고 있다면 상태가 복잡해야 합니다. 예를 들어 커플이 될 수 있습니다. (+,n) 및 (-,n), 여기서 패턴 구현의 품질 외에도 n이 있습니다. 패턴을 포함하는 시리즈의 패턴 수입니다. 이미 잠재적으로 무한한 수의 상태가 있지만 네 가지 가능한 전환도 있습니다(0이 아닌 확률). (+,n) -> (+,n+1), (+,n) -> (-,1), (-,n) -> (+,1), (-,n) -> (- ,n+1). 또한 4개의 확률이 있습니다(2개의 독립적인 확률 포함). 차이점은 이제 실행 길이 n에 대한 이러한 확률의 종속성이 나타납니다(또는 나타나지 않음). 이 종속성을 일부 계수로 표현하고 원하는 메트릭으로 사용할 수 있습니다.
안녕하세요! 샬롬! 네이람달!
내가 볼 때 당신은 모두 고등 수학자입니다.
그래서 그것은 우리를 위해 일할 것입니다.
왜 시장 무결성을 연구하지 않습니까?
우리 모두는 시장이 "접기"라는 단어에서 복잡한 복잡한 과정이라는 것을 알고 있습니다. 즉, 시장은 서로 다른 목표, 지갑 크기, 서로 다른 트렌드를 가진 많은 참가자들에 의해 만들어집니다.
예를 들어, 가격이 (우리 모델에서) 따르는 사인 곡선의 형태로 간단한 추세를 구축하고 이를 "추세"라고 부르겠습니다.
가장 단순한 가격 모델, 이해하기 쉽고 예측하기 쉽고 일반적으로..
이제 강력한 시장 구매자가 "우리 시장"에 와서 한동안 "우리 시장"에 강력한 투자를 했다고 상상해 봅시다.
보시다시피 미모의 우리 모델이 조금 당황스럽네요..
이제 누군가가 99.2라는 가격으로 대량 지정가 주문을 넣고 그들이 준 모든 것을 다시 사들이는 것을 상상해 봅시다.
전체적으로 우리는 이미 그러한 곡선 가격 모델을 얻었지만 현실에 더 가깝습니다.
또한 좀 더 사실감 있게 표현하기 위해 소액 거래나 마켓 메이커와 같은 노이즈를 추가해 보겠습니다.
이렇게 하면 시장을 복잡한 과정으로 볼 수 있습니다..
지금 생각해보면 재미있습니다. 가격을 예측할 때 정확히 무엇을 예측합니까? 경향? 시장 구매자? 구매자 제한? 소음? :) 그리고 모두 함께 예측할 가치가 있습니까?
다시 25 :) 계량 경제학의 기초가 사라졌습니다. 원을 그리지 않으려면 시계열의 주기와 계절 성분만 예측할 수 있습니다.