Mike : 거래에 관한 다양한 과학 서적에 기술된 가격 행동 이론은 저자의 주장 외에는 어떤 것도 지지하지 않습니다. 가격 행동 - 다양한 시장 참가자 그룹의 행동으로, 공개 포지션의 비율과 가치는 동적이고 확률적으로 변합니다. :) 여기에서 패턴을 찾는 것은 (연구원에게) 흥미로운 문제이지만 돈이 아닌 것 같습니다. 앞서 나는 트렌드를 포착하고 핍을 포착하는 두 가지 가능한 전략을 공식화했습니다. 첫 번째 전략은 추세의 시작과 끝을 감지하는 것입니다. 두 번째는 작은(거의 노이즈) 가격 움직임을 포착하는 것입니다. 제 생각에는 둘 다 해당 기간의 가격 및/또는 가격 증분의 순전히 통계적 특성의 관점에서 공식화되어야 합니다. 최근에 통계적 차익거래라는 흥미로운 문구를 접했습니다. 나는 배우고있다... :)
이해했습니다. 단 하나의 사실 - 확률적 가격 행동에는 확률적 패턴, 즉 결과가 보장되지 않지만 확률적으로 발생하는 패턴이 포함됩니다. 하지만 그게 다가 아닙니다.
확률에는 신뢰 구간 이 있습니다. 그리고 이제 p가 모델인 경우 - 신뢰 구간이 예를 들어 순진한 p = 0.5 + 신뢰 구간보다 크다면, 우리는 독립적인 데이터에 대해 안정적이고(물론 엄격하게 말해서가 아님) 경험적으로 테스트된 모델을 갖게 됩니다. ML을 우수한 오버헤드로 만들 수 있습니다.
이해했습니다. 단 하나의 사실 - 확률적 가격 행동에는 확률적 패턴, 즉 결과가 보장되지 않지만 확률적으로 발생하는 패턴이 포함됩니다. 하지만 그게 다가 아닙니다.
확률에는 신뢰 구간 이 있습니다. 그리고 이제 p가 모델인 경우 - 신뢰 구간이 예를 들어 순진한 p = 0.5 + 신뢰 구간보다 크다면, 우리는 독립적인 데이터에 대해 안정적이고(물론 엄격하게 말해서가 아님) 경험적으로 테스트된 모델을 갖게 됩니다. ML을 우수한 오버헤드로 만들 수 있습니다.
나는 당신과 완전히 동의합니다. 제 입장과 당신의 입장의 차이점은 모델을 만들 줄 몰라서 다양한 똑똑한 사람들이 생각해 낸 것을 사용한다는 것입니다. :)
왜 그런 가정을 합니까? 별말씀을요. 그것에 대해 생각할 필요조차 없습니다. 베이지안 회귀의 범위를 정의하는 것과 같습니다.
베이지안 회귀를 계산하는 데 필요한 기호를 결정할 필요가 있습니다. 정사각형을 둥글게 만드는 방법에 대한 첫 번째 질문입니다. 이것은 베이지안 회귀가 여기에 어떤 식으로든 적합하지 않다는 이해가 나타날 수 있는 곳입니다. 하지만 우리는 상관하지 않습니다... 우리는 뭔가를 해야 합니다. 한 행과 두 번째 행(우리의 경우 선)의 가격 값의 일치가 최대 확률에 해당한다고 가정해 보겠습니다. 그리고 하나의 기능에 의한 최대 경로는 1/n(n은 막대의 수)입니다. 이 접근 방식은 갈퀴로 물 위에 그림을 그리는 것과 같습니다. 따라서 인수가 0이고 인수가 1/n이 되고 인수가 증가함에 따라 0이 되는 경향이 있는 일종의 공식을 발명해야 합니다. 그런 다음 확률 대신 이전에 발명된 공식을 대체하는 Bayes 공식을 작성합니다. . 다음으로 결과 함수의 최대값을 찾아야 합니다. 아마도 0과 같은 미분을 취하십시오 ...
결과적으로 원래 목표는 직선과 가격 계열을 결합하는 것이었기 때문에 선형 회귀 와 거의 동일한 결과를 얻습니다.
https://www.mql5.com/en/code/10339 지표에 구현된 범용 회귀 모델과 비교하여 다른 회귀 모델을 사용하여 더 나은 결과를 얻는 사람을 보고 싶습니다. 또한 특수한 경우로 가우스의 최소 제곱을 포함합니다. 완전히 다른 질문은 회귀 모델이 거래에 적용 가능한지 여부와 상관없이 Forex 시장을 전체적으로 설명하는 방법입니다. 그리고 회귀에 의한 실제 데이터 계열의 설명에 관해서는 이 모델의 장점을 기존 모델과 비교하여 어느 각도에서든 옹호할 수 있습니다.
거래에 관한 다양한 과학 서적에 기술된 가격 행동 이론은 저자의 주장 외에는 어떤 것도 지지하지 않습니다.
가격 행동 - 다양한 시장 참가자 그룹의 행동으로, 공개 포지션의 비율과 가치는 동적이고 확률적으로 변합니다. :)
여기에서 패턴을 찾는 것은 (연구원에게) 흥미로운 문제이지만 돈이 아닌 것 같습니다.
앞서 나는 트렌드를 포착하고 핍을 포착하는 두 가지 가능한 전략을 공식화했습니다. 첫 번째 전략은 추세의 시작과 끝을 감지하는 것입니다.
두 번째는 작은(거의 노이즈) 가격 움직임을 포착하는 것입니다. 제 생각에는 둘 다 해당 기간의 가격 및/또는 가격 증분의 순전히 통계적 특성의 관점에서 공식화되어야 합니다.
최근에 통계적 차익거래라는 흥미로운 문구를 접했습니다. 나는 배우고있다... :)
이해했습니다. 단 하나의 사실 - 확률적 가격 행동에는 확률적 패턴, 즉 결과가 보장되지 않지만 확률적으로 발생하는 패턴이 포함됩니다. 하지만 그게 다가 아닙니다.
확률에는 신뢰 구간 이 있습니다. 그리고 이제 p가 모델인 경우 - 신뢰 구간이 예를 들어 순진한 p = 0.5 + 신뢰 구간보다 크다면, 우리는 독립적인 데이터에 대해 안정적이고(물론 엄격하게 말해서가 아님) 경험적으로 테스트된 모델을 갖게 됩니다. ML을 우수한 오버헤드로 만들 수 있습니다.
이해했습니다. 단 하나의 사실 - 확률적 가격 행동에는 확률적 패턴, 즉 결과가 보장되지 않지만 확률적으로 발생하는 패턴이 포함됩니다. 하지만 그게 다가 아닙니다.
확률에는 신뢰 구간 이 있습니다. 그리고 이제 p가 모델인 경우 - 신뢰 구간이 예를 들어 순진한 p = 0.5 + 신뢰 구간보다 크다면, 우리는 독립적인 데이터에 대해 안정적이고(물론 엄격하게 말해서가 아님) 경험적으로 테스트된 모델을 갖게 됩니다. ML을 우수한 오버헤드로 만들 수 있습니다.
제 입장과 당신의 입장의 차이점은 모델을 만들 줄 몰라서 다양한 똑똑한 사람들이 생각해 낸 것을 사용한다는 것입니다. :)
나는 당신과 완전히 동의합니다.
제 입장과 당신의 입장의 차이점은 모델을 만들 줄 몰라서 다양한 똑똑한 사람들이 생각해 낸 것을 사용한다는 것입니다. :)
여기에는 많은 문화적 계층이 있습니다. 그들 모두는 순수하게 blah blah blah와 일부 아름다운 사진입니다. 모든 것이 좋은지 확인해야 합니다.
이 분기의 주제에 대한 코드를 갖고 싶습니다.
1. 선형 회귀. 최소제곱법. 공식은 영상에서 가져왔습니다.
y=kx+b;
k=(평균 곱 xy - 평균 x와 y의 곱)/ (평균 제곱 x - 제곱 평균 x);
b=평균 y - k*x 평균.
2. 이러한 계산을 수행한 후 직선의 좌표를 얻어야 합니다. 실제 값은 eps= y(real)-y(teor)만큼 이론 값과 다릅니다.
또한 회귀가 베이지안이 되기 위해서는 eps가 정규법칙에 따라 분포한다고 가정한다.
코펜하겐에 계시는 분들은 잘못된 부분이 있으면 바로잡아주시고 앞으로 어떻게 해야할지 조언 부탁드립니다.
여기 https://www.mql5.com/ru/code/8016 에서 MT4와 동일한 방식으로 선형 회귀를 계산하고 선형 회귀 채널을 구축하는 지표를 다운로드할 수 있습니다.
여기 https://www.mql5.com/ru/code/8016 에서 MT4와 동일한 방식으로 선형 회귀를 계산하고 선형 회귀 채널을 구축하는 지표를 다운로드할 수 있습니다.
지표가 만든 선형 회귀선은 내가 눈으로 만든 것과 거의 일치했습니다. 그렇게 됩니다.
지표가 만든 선형 회귀선은 내가 눈으로 만든 것과 거의 일치했습니다. 그렇게 됩니다.
우리 뇌를 과소평가하지 마세요...
아마도 지표는 무의식의 깊숙한 곳에서 뇌의 부담을 덜어주기 위해 발명된 것일 수 있습니다.
...
또한 회귀가 베이지안이 되기 위해서는 eps가 정규법칙에 따라 분포한다고 가정한다.
...
왜 그런 가정을 합니까? 별말씀을요. 그것에 대해 생각할 필요조차 없습니다. 베이지안 회귀의 범위를 정의하는 것과 같습니다.
베이지안 회귀를 계산하는 데 필요한 기호를 결정할 필요가 있습니다. 정사각형을 둥글게 만드는 방법에 대한 첫 번째 질문입니다. 이것은 베이지안 회귀가 여기에 어떤 식으로든 적합하지 않다는 이해가 나타날 수 있는 곳입니다. 하지만 우리는 상관하지 않습니다... 우리는 뭔가를 해야 합니다. 한 행과 두 번째 행(우리의 경우 선)의 가격 값의 일치가 최대 확률에 해당한다고 가정해 보겠습니다. 그리고 하나의 기능에 의한 최대 경로는 1/n(n은 막대의 수)입니다. 이 접근 방식은 갈퀴로 물 위에 그림을 그리는 것과 같습니다. 따라서 인수가 0이고 인수가 1/n이 되고 인수가 증가함에 따라 0이 되는 경향이 있는 일종의 공식을 발명해야 합니다. 그런 다음 확률 대신 이전에 발명된 공식을 대체하는 Bayes 공식을 작성합니다. . 다음으로 결과 함수의 최대값을 찾아야 합니다. 아마도 0과 같은 미분을 취하십시오 ...
결과적으로 원래 목표는 직선과 가격 계열을 결합하는 것이었기 때문에 선형 회귀 와 거의 동일한 결과를 얻습니다.