글쎄요, 너무 가혹한 표현이라고 생각합니다. 사실, 모델의 기대 수명에 대한 통계를 제공하는 연구는 없습니다. 또한 모델 인식에 필요한 정보의 양(=지연 시간)에 대한 데이터가 없습니다. 이러한 모델을 도입하고 사용하는 사람들조차도 그러한 연구를 수행하거나 출판하지 않는 것을 선호합니다. 분명히 전략에 양수 mo가 있으면 확률이 균등화되기 전에 모델이 여전히 인식된다고 믿어집니다.
그리고 그러한 전략이 있습니다. 그들은 살아 있습니다. 베터' 를 보세요. 그의 Expert Advisor는 실제로 내가 구현하고 싶었던 것을 수행합니다. 피벗 포인트 를 인식하고 웨이브의 시작 부분에 들어갑니다. 그리고 위아래로. 여기에 예측과 이전 인식이 있습니다.
...
따라서 메모리 측면과 컴퓨팅 주기 측면 모두에서 리소스를 정확하게 추정해야 합니다. 그런 다음 5-10시간의 하나의 결제 주기를 얻을 수 있습니다. 그러면 어떤 소식이 있습니까? 일 플레이 또는 몇 주 동안에만 그리고 남아 있습니다. :-)
물론 이것은 실제로 가설이며 통계(하나의 예가 그것을 논박하기에 충분하기 때문에 그러한 진술에 대한 논거가 될 수 없음)가 아니라 체계적인 고려 사항, 즉 균형의 이유로. 그러나 Better 의 조언자도 논쟁이 아닙니다. 관찰 시간이 짧습니다. 그러나 우리에게는 돈이 없는 돈(그리고 우리 중에는 억만장자가 거의 없습니다.)이 있습니다. 좋은 소식이 있습니다. 우리의 행동이 어떤 식으로든 시장에 영향을 미치지 않는다는 사실이 작업을 단순화한다는 것입니다. 우리 모델이 고래 중 하나의 모델과 일치하는 경우를 제외하고 :)
계산량의 문제는 클러스터를 생성하여 관리하므로 기성 전략을 수행할 참가자를 모집하는 데 문제가 없을 것이라고 생각합니다. 글쎄요, 한 대의 컴퓨터가 한 대의 필터를 뽑을 수 있기를 바랍니다.
좋은 소식이 있습니다: 우리의 행동이 어떤 식으로든 시장에 영향을 미치지 않는다는 사실이 작업을 단순화합니다. 우리 모델이 고래 중 하나의 모델과 일치하는 경우를 제외하고 :)
계산량의 문제는 클러스터를 생성하여 관리하므로 기성 전략을 수행할 참가자를 모집하는 데 문제가 없을 것이라고 생각합니다. 글쎄요, 한 대의 컴퓨터가 한 대의 필터를 뽑을 수 있기를 바랍니다.
흥미롭게도 "우리의 행동이 어떤 식으로든 시장에 영향을 미치지 않는다"는 "작업을 크게 단순화"하는 방법을 알고 싶습니다. 제가 보기에는 그 반대인 것 같습니다. 우리의 행동이 시장에 영향을 미쳤다면(또한 원하는 방식으로), 이는 단순화할 뿐만 아니라 작업으로 제거할 수도 있습니다. :-) 그러면 로봇이 필요하지 않을 것입니다.
그리고 클러스터에 대해 당신은 나를 화나게 했다. 내 개인적인 참여조차도 상황을 구할 수 없다고 생각합니다. 결국 지구에는 80억 명의 사람들만 있고 아마도 더 이상 컴퓨터는 없을 것입니다. 그러면 100억에서 1000억 개의 필터를 계산해야 하는 경우 클러스터를 생성하는 방법은 무엇입니까? :-)))
제가 보기에는 그 반대인 것 같습니다. 우리의 행동이 시장에 영향을 미쳤다면(또한 원하는 방식으로), 이는 단순화할 뿐만 아니라 작업으로 제거할 수도 있습니다. :-) 그러면 로봇이 필요하지 않을 것입니다.
원하는 방식으로? 우리의 행동이 시장에 중대한 영향을 미치기 시작하자마자 시장은 개인적으로 우리에게 불리하게 작용하기 시작할 것입니다. 중앙 은행 및 정보 기관을 포함합니다. 소로스는 일회성 액션으로 한 번에 성공했지만 세상의 모든 돈을 자신에게 이체할 수 있는 모델을 갖고 싶습니까? 글쎄, 그것이 작동한다고 가정 해 봅시다. 그리고 그 후에 누가 이 돈이 필요할까요? :)
순전히 기술적으로 모든 상수는 단순히 변수로 바뀌기 시작할 것입니다.
10억 명의 참가자가 있으면 피드백이 없는 근사치가 더 이상 작동하지 않습니다. 글쎄, 100은 그렇게 도달할 수 없는 숫자가 아니다.
현재 적응형 필터가 널리 사용되며, 들어오는 새로운 정보는 이전에 만들어진 신호 추정치를 지속적으로 수정하는 데 사용됩니다(레이더의 표적 추적, 제어 중인 자동 제어 시스템 등). 칼만 필터로 알려진 재귀 유형의 적응 필터가 특히 중요합니다.
이 필터는 자동 조절 및 제어 시스템의 제어 루프에 널리 사용됩니다. 작업을 상태 공간으로 설명하는 데 사용되는 특정 용어에서 알 수 있듯이, 바로 여기에서 시작되었습니다.
매개변수 추정 문제
실제적으로 매우 중요한 통계적 해법 이론의 문제 중 하나는 다음과 같이 공식화되는 시스템의 상태 벡터와 매개변수를 추정하는 문제입니다. 직접 측정에 접근할 수 없는 벡터 매개변수 X 의 값을 추정해야 한다고 가정합니다. 대신 X 에 따라 다른 매개변수 Z 가 측정됩니다. 추정 작업은 Z 를 알고 X 에 대해 말할 수 있는 질문에 답하는 것입니다. 일반적으로 벡터 X 의 최적 추정을 위한 절차는 추정 품질에 대해 허용되는 기준에 따라 다릅니다. 예를 들어, 매개변수 추정 문제에 대한 베이지안 접근 방식은 추정된 매개변수의 확률 속성에 대한 완전한 사전 정보를 필요로 하는데, 이는 종종 불가능합니다. 이러한 경우에는 사전 정보가 훨씬 적게 필요한 LSM(최소 자승법) 방법에 의존합니다. 관측 벡터 Z 가 선형 모델에 의해 매개변수 추정 벡터 X 와 연관되고 관측에 추정된 매개변수와 상관되지 않는 잡음 V 가 있는 경우에 LSM의 적용을 고려하십시오.
(하나)
여기서 H 는 관찰된 값과 추정된 매개변수 간의 관계를 설명하는 변환 행렬입니다.
오차의 제곱을 최소화하는 X 의 추정치는 다음과 같이 작성됩니다.
(2)
잡음 V 를 상관 관계가 없다고 가정합니다. 이 경우 RV 행렬은 단위 행렬이고 추정 방정식은 더 간단해집니다.
(삼)
필터링 작업
고정 값을 갖는 매개변수를 추정하는 작업과 달리 필터링 문제에서는 프로세스를 평가해야 합니다. 즉, 노이즈에 의해 왜곡되어 직접 측정에 액세스할 수 없는 시변 신호의 현재 추정치를 찾는 것입니다. 일반적으로 필터링 알고리즘의 유형은 신호 및 노이즈의 통계적 속성에 따라 다릅니다. 유용한 신호는 천천히 변하는 시간 함수이고 잡음은 상관되지 않은 잡음이라고 가정합니다. 신호 및 잡음의 확률적 특성에 대한 선험적 정보가 부족하기 때문에 다시 최소 자승법을 사용합니다.
사실, 우리는 신호 생성 프로세스의 자기회귀 모델을 기반으로 매개변수 추정 프로세스를 구현했습니다.
공식 3은 프로그래밍 방식으로 구현하기 쉽습니다. 이를 위해서는 행렬 H 와 관측값 Z 의 벡터 열을 채워야 합니다. 이러한 필터는 Xnot의 현재 추정치를 얻기 위해 마지막 k개의 관측치를 사용하기 때문에 유한 메모리 필터 라고 합니다. 각각의 새로운 관찰 단계에서 새로운 관찰 세트가 현재 관찰 세트에 추가되고 이전 관찰 세트는 폐기됩니다. 이러한 추정치를 얻는 과정을 슬라이딩 윈도우라고 합니다.
메모리 필터 증가
유한 메모리가 있는 필터는 각각의 새로운 관찰 후에 메모리에 저장된 모든 데이터의 완전한 재계산을 다시 계산해야 한다는 주요 단점이 있습니다. 또한 처음 k개의 관측 결과가 누적된 후에만 추정치 계산을 시작할 수 있습니다. 즉, 이러한 필터는 과도 과정의 지속 시간이 깁니다. 이러한 단점을 극복하기 위해서는 메모리가 일정한 필터에서 메모리가 증가하는 필터로 이동해야 합니다. 이러한 필터에서 평가할 관찰 값의 수는 현재 관찰의 수 n과 일치해야 합니다. 이를 통해 추정된 벡터 X의 구성요소 수와 동일한 관측값 수에서 시작하여 추정값을 얻을 수 있습니다. 이는 채택된 모델의 순서, 즉 Taylor 급수에서 사용된 항의 수에 따라 결정됩니다. 모델. 동시에 n이 증가할수록 필터의 평활화 특성이 향상됩니다. 즉, 추정의 정확도가 증가합니다. 그러나 이 접근 방식을 직접 구현하면 계산 비용이 증가합니다. 따라서 메모리가 증가하는 필터는 반복 필터로 구현됩니다.
증가하는 메모리 필터에는 한 가지 중요한 기능이 있습니다. 공식 6을 보면 최종 점수는 예측 점수 벡터와 수정항의 합이다. 이 보정은 작은 n에서 크고 n이 증가함에 따라 감소하여 에서 0이 되는 경향이 있습니다. 즉, n이 커질수록 필터의 평활 속성이 커지고 필터에 포함된 모델이 우세해지기 시작합니다. 그러나 실제 신호는 일부 영역에서만 모델과 일치할 수 있으므로 예측 정확도가 떨어집니다. 이를 방지하기 위해 일부 n부터 수정 기간의 추가 축소가 금지됩니다. 이것은 필터 대역을 변경하는 것과 같습니다. 즉, 작은 n의 경우 필터는 더 광대역(덜 관성)이고, 큰 n의 경우 더 관성이 됩니다.
그림 1과 그림 2를 비교하십시오. 첫 번째 그림에서 필터는 메모리가 큰 반면 스무딩은 잘되지만 대역이 좁기 때문에 추정된 궤적이 실제보다 뒤쳐집니다. 두 번째 그림에서 필터 메모리는 더 작고 매끄럽지 않지만 실제 궤적을 더 잘 추적합니다.
맨 처음부터 분기를 읽고 위에서 발췌한 기사의 내용을 간략하게 읽으면 칼만 필터를 사용하여 VR을 처리하는 방법이 연구 중인 VR. 결정하자:
1. 기대치가 0이고 상관관계가 0이거나 교대 하는 정규 분포 확률 변수가 있다고 가정합니다. 통합한 후 시계열의 아날로그를 얻습니다. 시리즈가 충분히 길면 방향성 가격 움직임의 임의의 긴 세그먼트를 식별할 수 있습니다. 우리는 그러한 추세를 확률적이 라고 부를 것입니다. 이러한 계열에 대해 장기간에 걸쳐 통계적으로 안정적으로 수익을 낼 수 있는 TS를 구축하는 것이 근본적으로 불가능하다는 점에 기초하여 캐주얼 시스템을 사용하여 확률적 추세를 식별하는 것은 불가능하다는 결론을 내립니다. 2. 기대치가 0이고 양의 상관도가 있는 정규 분포 확률 변수가 있다고 가정합니다. 시리즈가 충분히 길면 방향성 가격 움직임의 임의의 긴 세그먼트를 식별할 수 있습니다. 우리는 그러한 경향을 결정적 이라고 부를 것입니다. 디지털 저역 통과 필터 또는 그 파생물의 도움으로 결정론적 추세를 선택하는 것이 기본적으로 가능합니다. 예를 들어, 기간이 다른 두 이동 평균 의 교집합은 평활 시계열의 도함수에 대한 근사치에 불과합니다. 수학에서 요구하는 대로 이것이 작동한다는 것은 분명합니다. 도함수는 0보다 크며, 이는 함수가 증가하고 작으면 감소함을 의미합니다. 여기에서 이것이 양수 FAC가 있는 시리즈에만 작동하고 모든 통화 시리즈에 모든 기간에 음수 FAC가 있다는 것을 아는 사람은 거의 없습니다! 그리고 결과적으로 시장에 나와있는 방법이 작동하지 않거나 작동하지만 우연히 ...
시계열 분석의 주요 업무 시계열과 무작위 표본을 형성하는 일련의 관측치 간의 근본적인 차이점은 다음과 같습니다. • 첫째, 무작위 표본의 요소와 달리 시계열의 구성원은 독립적이지 않습니다. • 둘째, 시계열의 구성원이 반드시 균등하게 분포되어 있지는 않습니다.
일반적으로 시계열 값이 형성되는 영향으로 4 가지 요소가 구별됩니다. 1. 장기적으로 분석된 특성의 변화에 있어 일반적인 (장기적으로) 경향을 형성합니다. 일반적으로 이 추세는 일반적으로 단조로운 하나 또는 다른 비임의 함수(인수는 시간임)의 도움으로 설명됩니다. 이 기능을 추세 기능 또는 간단히 추세 라고 합니다. 2. 계절적, 분석된 형질의 변동을 형성하며 연중 특정 시기에 주기적으로 반복됩니다. 이 함수는 주기적이어야 하기 때문에(주기는 "계절"의 배수임) 고조파(삼각 함수)는 분석 표현에 참여하며, 주기성은 일반적으로 문제의 내용에 따라 결정됩니다. 3. 경제 또는 인구 통계학적 특성(Kondratiev 파, 인구 통계학적 "구덩이" 등)의 장기 주기 작용으로 인해 분석된 특성의 주기적(기회적), 형성적 변화. 4. 임의(비정기), 회계 및 등록이 불가능합니다. 시계열 값의 형성에 미치는 영향은 계열 요소의 확률론적 특성을 결정하고 결과적으로 용어를 확률 변수에 대한 관찰로 해석해야 할 필요성을 결정합니다. 무작위 변수("잔차", "오차")를 사용하여 무작위 요인의 영향 결과를 표시합니다.
물론 어떤 시계열의 값을 형성하는 과정에 네 가지 유형의 요소가 모두 동시에 참여할 필요는 전혀 없습니다. 이 유형의 요인이 특정 계열의 값 형성에 관여하는지 여부에 대한 결론은 문제의 내용 본질 분석과 연구 중인 시계열의 특수 통계 분석을 기반으로 할 수 있습니다. . 그러나 모든 경우에 무작위 요인의 필수 참여가 가정됩니다. 따라서 일반적으로 데이터 생성 모델(요인의 영향에 대한 추가 블록 다이어그램 포함)은 전체 또는 일부 요인의 합처럼 보입니다.
VR을 한 유형 또는 다른 유형으로 분류하는 기준이 있습니다. 그들에 따르면 통화 유형 VR은 결정적 추세를 포함하지 않고 순환 요소를 포함하지 않으며 계절 요소를 포함하지 않습니다... 계속하시겠습니까?
이제 Prival님 을 위한 질문입니다. 다변수, 엄청나게 멋진 칼만 필터로 무엇을 밝힐까요?
반드시 결정적이지 않은 모든 프로세스가 필터에 포함될 수 있습니다. 1 필터를 (1. 장기,...) 2차 필터를 (2. 계절,...) 3차 ~ (3. 순환...) 4차 ~ (4. 무작위( 불규칙), ...), 등.
시세의 흐름과 기체의 움직임이 움직이는 분석과 의사결정에는 근본적인 차이가 없다고 본다. 항공기는 다이빙, 피치업, 스네이크, 코브라 등을 할 수 있습니다. ... 언제든지 (조종사가 원하는 대로) 모든 종류의 기동. 그리고 그가 로켓이 발사되었다는 것을 알았을 때, 그는 프라이팬에서 악마처럼 회전하고 있습니다.
Kalman 필터 의 작업(모든 경우에 대해 하나의 !!! 필터가 아님)이 아니라 여러 개입니다. 1 결정 - 기동 유형과 시작 시간. 2 비행기를 최대한 효율적으로 공격하기 위해 얼마 후 비행기가 어디에 있을지 예측합니다(이익을 취하십시오 :-)).
따라서 1개의 필터가 아니라 여러 개의 필터를 구축해야 하며, 각 필터는 고유한 모델(평면, 추세, ...)에 맞게 구성됩니다.
가장 단순한 옵션 1 필터는 추세에서 작동하고 다른 필터는 플랫에서 작동합니다. 칼만 필터 알고리즘에는 어떤 필터가 현재 더 나은지 결정할 수 있는 절차가 있습니다.
플랫에서 완벽하게 작동하고 트렌드에 병합되는 시스템이 있다고 주장하지 않기를 바랍니다. 트렌드는 잘 작동하지만 플랫이 아닐 때는 그렇지 않습니다. 따라서 칼만 필터는 언제 전환해야 하는지 알려줄 수 있습니다.
추신: 나는 여전히 칼만 필터를 구축하고 다양한 모션 모델을 구축하고 이를 기반으로 TS를 구현하려고 노력할 것입니다. Kalman 필터에는 표준 지표에서 볼 수 없는 고유한 속성이 하나 있습니다. 이는 예측할 수 있습니다. + 내가 3개의 flat, trend, gap, 을 구축한다고 가정해 봅시다. 어떤 영역에서는 이러한 필터가 작동하지 않습니다. 이 영역을 분석하고 4번째 필터 등을 만듭니다. -100에서 +100(퍼셉터)까지의 어리석은 열거가 아니라 의미 있는 시스템 교육입니다.
Prival : 추신: 나는 여전히 칼만 필터를 구축하고 다양한 모션 모델을 구축하고 이를 기반으로 TS를 구현하려고 노력할 것입니다. Kalman 필터에는 표준 지표에서 볼 수 없는 고유한 속성이 하나 있습니다. 이는 예측할 수 있습니다. + 내가 3개의 flat, trend, gap, 을 구축한다고 가정해 봅시다. 어떤 영역에서는 이러한 필터가 작동하지 않습니다. 이 영역을 분석하고 4번째 필터 등을 만듭니다. -100에서 +100(퍼셉터)까지의 어리석은 열거가 아니라 의미 있는 시스템 교육입니다.
추천합니다: 팔이 탈구될 수 있으므로 너무 세게 스윙하지 마십시오. 플랫 또는 트렌드에 대해 처음에는 하나의 필터만 작성하십시오. 이 작업을 수행하는 동안 Forex에 대한 많은 것을 이해하게 될 것이며 계속 진행하는 것이 더 쉬울 것입니다. 다음을 이해하는 것이 특히 중요합니다. 실제 거래자는 어떤 상황에서도 이익을 얻으려고 하지 않습니다. 모든 사람은 자신을 위한 매우 제한된 목록을 찾고 이러한 특정 패턴에서만 작업합니다.
하루에 한 번과 같이 너무 드물게 발생하는 수익성 있는 상황만 통계적으로 구별하는 필터를 만들 수 있다면 여기 있는 모든 사람들이 꿈꾸는 풍요의 뿔이 될 것입니다.
Prival, 주제는 흥미 롭습니다. 나는 당신의 기사를 읽었습니다 - 건전한 생각 (제 생각에는 데카르트 좌표계에서 궤적을 모델링하고 필터링하는 것이 더 좋지만 이것은 관련이 없습니다). 그러나 공중 목표물의 도플러 궤적의 AFK와 가격 움직임의 시각적 유사성은 내가 보기에 우발적이며 주의할 가치가 없기 때문입니다. 프로세스의 성격이 완전히 다릅니다. 항공기의 동적 특성과 인용문은 공통점이 거의 없습니다. 여기처럼 어떤 지점에서는 가격 변동을 비행기가 아닌 파리의 비행 경로에 비유하기도 했습니다. 그러나 파리조차도 예를 들어 hepas를 할 수 없습니다.
동시에 가격의 선형 회귀 를 신호로 선택하면 선형 회귀 계수가 0으로 판명되면 1년에 수백 핍 또는 0을 "잡을" 수 있습니다. 확률적 공명에 대해서도 마찬가지입니다. 아마도 우리는 더 큰 진폭을 가진 고주파수로 인해 느린 추세를 골라낼 것입니다. 그러나 이것으로 무엇을 얻을 수 있습니까? 동시에, 때때로 여러 수치에 대한 가격 변동이 단 며칠 만에 발생합니다. 그리고 거의 모든 쌍에서 1년에 수십 개의 그러한 움직임이 있을 수 있습니다. 그리고 작은 차트에서는 1년에 수백 개의 숫자로 절반 정도, 수천에서 20점을 표시합니다. 따라서 문제는 신호 또는 잡음이 필요한가입니다.
주기적으로, 나는 내 의견으로는 가격을 신호와 잡음으로 나누는 것이 의미가 없다는 내 논문을 포럼에서 반복합니다. 이것은 매우 복잡한 비선형 동적 시스템에서 비정상 프로세스를 설명하는 시계열입니다. 이것은 수백만 개의 기본 매개변수의 일반화된 인덱스로 관찰되는 스칼라입니다. 구성 요소로 나눌 필요는 없습니다. 존재하지 않습니다. 따라서 기존 필터링 방법(이 포럼에서 모두 다른 시간에 논의된 것으로 보임)을 사용하는 것은 작업에 적합하지 않습니다.
적절한 방법이 있습니까? 있다. 대회 전날, klot과 다른 포럼 참가자들의 제안으로 인공지능에 관심을 갖게 됐다. 불행히도 그 용어는 낡았고 여기 사이트의 일부 출판물은 내 눈에 그것을 평가 절하하기까지 했으므로 나는 오랫동안 "신형" 이론을 기각했습니다. 그러나 - 아니요, 광고 방지도 광고입니다. 어떤 단계에서는 Perceptron의 선전도 주제에 대한 관심을 끄는 데 긍정적인 역할을 했습니다. 그러나 문헌을 읽은 후 나는 소위 말하는 정도를 보았습니다. "약한 AI"는 예를 들어 30년 전 내가 처음 들었을 때보다 앞서 있습니다. 또는 오히려, 내가 그에게 얼마나 뒤처져 왔는지.
챔피언십의 경우 단순하게 훈련된 그리드를 넣었는데, 이는 과도하고 어리석은 것으로 판명되었지만, 다른 전문가들과 무엇보다 현재 리더인 Better'의 사례는 이것이 작업하는 것이 합리적인 방향임을 보여줍니다. .
Prival, 나는 당신의 계획을 망치고 싶지 않지만, 나는 당신이 전문적인 활동을 위해 AI에서 많은 유용한 것들을 찾고 수익성 있는 차량을 더 빨리 만들 수 있을 것이라고 확신합니다.
주님, 제가 조언을 드리겠습니다. 당신은 나에게 TS를 구축하는 다른 방법을 제공합니다(여기에 AI, 신경망의 예를 제공하지만 내 관점에서 당신 자신은 완전히 이해하지 못합니다). 내가 방금 Forex에 입문했다고 생각하거나(최소 스프레드가 10-15포인트였던 시절을 기억하고 행복해 보였지만) AI, 신경망 및 다리가 어디에서 자라는지 전혀 모릅니다 :-) .
이제 나는 항상 예를 들어 "단순한 훈련된 그리드"를 만들 때 내가 하고 싶은 일과 당신이 하는 일을 이해하는 데 도움을 주기 위해 노력할 것입니다.
더 나은 이해를 위해 링크를 제공하고 거기에 쓰여진 내용을 다시 한 번 읽고 아래에 쓸 내용과 비교할 것입니다(불행히도 klot'의 진술을 찾을 수 없었으며 아마도 거기에 대해 이야기할 수도 있습니다).
다음은 인용문입니다. "객체를 롱 포지션과 숏 포지션의 두 가지 클래스로 나누고 기술적 분석의 지표 또는 오실레이터 값을 기호로 사용하면 평면의 방정식을 파악하고 시도하는 것만 남아 있습니다. 식별하는 데 사용합니다. 문제 진술은 명확합니다.
이것은 가장 순수한 형태의 인정론이며, 군대는 이를 오랫동안 완벽하게 그리고 오랫동안 사용해왔다. 클래스 4(BMP - BTR - BMP 레이아웃 - 장갑차 배치)보다 여기에서 하나의 직선으로 처리하십시오 :-), 도움을 받아 모든 것을 4 클래스로 나눕니다.
이 이론에서 악명 높은 AI가 등장한 신경망은 사람들이 본질적으로 게으르고 다시 시스템을 만들고 싶어한다는 것입니다. , 동시에 꼼꼼한 시장분석으로?". 많은 수의 클래스와 기능 을 인식하도록 컴퓨터를 가르치는 것은 매우 어렵기 때문에 신경망(NN)이 만들어졌습니다. 국회는 어느 정도 성공을 거두었지만 이것이 만병통치약이 아니며 거기에는 인텔리전스가 없습니다. 이러한 작업에서 가장 중요하고 가장 중요한 것은 클래스를 구분하고 이러한 클래스를 인식하기 위한 기능을 선택하는 것입니다.
이 자료를 읽은 후 저는 저자 자신이 자신이 하는 일을 이해하지 못하거나 그것을 아주 잘 알면서도 우리를 오도한다는 인상을 받았습니다. 다음은 메인 코드의 예시입니다.
기호(가/감속(가/감속,AC)의 기술적 지표)로 사용하여 "아군 또는 적"을 결정하는 전투 알고리즘을 만들면 벽에 두는 것만으로는 충분하지 않을 것입니다 (내가 고려하더라도 이 물체의 가속도 7, 14, 21분 전). 본질을 바꾸지는 않습니다. 그리고 주의하세요, 저는 클래스를 나누는 작업에 대해서만 이야기 하고 있고, 클래스를 나눈 후 어떻게 해야할지는 말하지 않습니다. 위 자료의 작성자는 모든 것을 함께 혼합합니다(전투에서 즉시 구매 또는 판매).
이제 이 스레드에 게시한 자료로 돌아가 차량이 어떻게 생겼는지 보여주고 싶습니다(당연히 내 관점에서).
1. 여기 그림이 있습니다. 생각해 보세요. 생성된 "그리드"를 개선하는 방법을 알려줄 것입니다. 이것은 사진 속의 Waldow 감지기입니다(예-아니오-논리를 모릅니다. 저는 몇 페이지 전에 그것에 대해 이야기했습니다).
2. 인식의 기호를 명확하게 정의합니다(칼만 필터에 넣은 "행동" 모델을 그대로 사용하고 싶습니다.). 나는 당신이 무엇을 놓을 지 모릅니다. 최소한 한 가지 조건을 관찰하십시오. 징후는 상관 관계가 없어야합니다 (강한 상관 관계).
3. 따옴표의 입력 스트림을 나눌 클래스를 결정합니다(단순한 추세라고 가정해 봅시다). 그리고 흐름을 인식한 후에야 전투에 뛰어드십시오. 즉, 플랫에서 잘 작동하는 거래 시스템을 선택하고 추세에 따라 다른 시스템을 선택하십시오.
PS 다시, 나는 나에게 명백한 것을 말하고, 반나절을 잃었다. 하지만 저는 제 목표를 이루지 못했습니다 :-(. 그런 차량을 만드는 데 정말로 도움을 주고 싶어하는 사람들이 없었습니다. 아마도 이 스레드를 삭제할 것입니다.
건설적인 비판적 발언은 가능한 전략을 설계하고 논의하는 단계에서 당사자 간의 가능한 합의만큼 가치가 있다고 생각합니다. 이것은 시간과 노력을 절약할 수 있습니다. 그러므로 나는 짜증을 낼 이유가 없다고 생각합니다. 우리는 같은 팀에 있고 공통의 목표를 가지고 있습니다.
Prival 은 항공기에 질량이 있다는 것을 이미 여러 번 알고 있으므로 가능한 모든 재주 넘기를 고려하여 공간에서 항공기의 움직임을 설명하는 곡선이 되도록 시간 척도 분할의 불연속성을 항상 선택할 수 있습니다. 순조로울 것이다. 이 곡선에 추가 랜덤 노이즈를 적용해도 그림이 바뀌지 않습니다. 궤도를 복원할 수 있고 예측할 수 있습니다. 이것이 LA의 행태와 VR형의 가격을 구별짓는 근본적인 포인트라고 생각합니다. 가격 시리즈에는 간섭으로 인한 부드러운 곡선이 없습니다. 이에 대해 확실하게 말하는 평가 기준이 있습니다.
글쎄요, 너무 가혹한 표현이라고 생각합니다. 사실, 모델의 기대 수명에 대한 통계를 제공하는 연구는 없습니다. 또한 모델 인식에 필요한 정보의 양(=지연 시간)에 대한 데이터가 없습니다. 이러한 모델을 도입하고 사용하는 사람들조차도 그러한 연구를 수행하거나 출판하지 않는 것을 선호합니다. 분명히 전략에 양수 mo가 있으면 확률이 균등화되기 전에 모델이 여전히 인식된다고 믿어집니다.
그리고 그러한 전략이 있습니다. 그들은 살아 있습니다. 베터' 를 보세요. 그의 Expert Advisor는 실제로 내가 구현하고 싶었던 것을 수행합니다. 피벗 포인트 를 인식하고 웨이브의 시작 부분에 들어갑니다. 그리고 위아래로. 여기에 예측과 이전 인식이 있습니다.
...
따라서 메모리 측면과 컴퓨팅 주기 측면 모두에서 리소스를 정확하게 추정해야 합니다. 그런 다음 5-10시간의 하나의 결제 주기를 얻을 수 있습니다. 그러면 어떤 소식이 있습니까? 일 플레이 또는 몇 주 동안에만 그리고 남아 있습니다. :-)
물론 이것은 실제로 가설이며 통계(하나의 예가 그것을 논박하기에 충분하기 때문에 그러한 진술에 대한 논거가 될 수 없음)가 아니라 체계적인 고려 사항, 즉 균형의 이유로. 그러나 Better 의 조언자도 논쟁이 아닙니다. 관찰 시간이 짧습니다. 그러나 우리에게는 돈이 없는 돈(그리고 우리 중에는 억만장자가 거의 없습니다.)이 있습니다. 좋은 소식이 있습니다. 우리의 행동이 어떤 식으로든 시장에 영향을 미치지 않는다는 사실이 작업을 단순화한다는 것입니다. 우리 모델이 고래 중 하나의 모델과 일치하는 경우를 제외하고 :)
계산량의 문제는 클러스터를 생성하여 관리하므로 기성 전략을 수행할 참가자를 모집하는 데 문제가 없을 것이라고 생각합니다. 글쎄요, 한 대의 컴퓨터가 한 대의 필터를 뽑을 수 있기를 바랍니다.
좋은 소식이 있습니다: 우리의 행동이 어떤 식으로든 시장에 영향을 미치지 않는다는 사실이 작업을 단순화합니다. 우리 모델이 고래 중 하나의 모델과 일치하는 경우를 제외하고 :)
계산량의 문제는 클러스터를 생성하여 관리하므로 기성 전략을 수행할 참가자를 모집하는 데 문제가 없을 것이라고 생각합니다. 글쎄요, 한 대의 컴퓨터가 한 대의 필터를 뽑을 수 있기를 바랍니다.
흥미롭게도 "우리의 행동이 어떤 식으로든 시장에 영향을 미치지 않는다"는 "작업을 크게 단순화"하는 방법을 알고 싶습니다. 제가 보기에는 그 반대인 것 같습니다. 우리의 행동이 시장에 영향을 미쳤다면(또한 원하는 방식으로), 이는 단순화할 뿐만 아니라 작업으로 제거할 수도 있습니다. :-) 그러면 로봇이 필요하지 않을 것입니다.
그리고 클러스터에 대해 당신은 나를 화나게 했다. 내 개인적인 참여조차도 상황을 구할 수 없다고 생각합니다. 결국 지구에는 80억 명의 사람들만 있고 아마도 더 이상 컴퓨터는 없을 것입니다. 그러면 100억에서 1000억 개의 필터를 계산해야 하는 경우 클러스터를 생성하는 방법은 무엇입니까? :-)))
원하는 방식으로? 우리의 행동이 시장에 중대한 영향을 미치기 시작하자마자 시장은 개인적으로 우리에게 불리하게 작용하기 시작할 것입니다. 중앙 은행 및 정보 기관을 포함합니다. 소로스는 일회성 액션으로 한 번에 성공했지만 세상의 모든 돈을 자신에게 이체할 수 있는 모델을 갖고 싶습니까? 글쎄, 그것이 작동한다고 가정 해 봅시다. 그리고 그 후에 누가 이 돈이 필요할까요? :)
순전히 기술적으로 모든 상수는 단순히 변수로 바뀌기 시작할 것입니다.
10억 명의 참가자가 있으면 피드백이 없는 근사치가 더 이상 작동하지 않습니다. 글쎄, 100은 그렇게 도달할 수 없는 숫자가 아니다.
Калмановская фильтрация
소개
현재 적응형 필터가 널리 사용되며, 들어오는 새로운 정보는 이전에 만들어진 신호 추정치를 지속적으로 수정하는 데 사용됩니다(레이더의 표적 추적, 제어 중인 자동 제어 시스템 등). 칼만 필터로 알려진 재귀 유형의 적응 필터가 특히 중요합니다.
이 필터는 자동 조절 및 제어 시스템의 제어 루프에 널리 사용됩니다. 작업을 상태 공간으로 설명하는 데 사용되는 특정 용어에서 알 수 있듯이, 바로 여기에서 시작되었습니다.
매개변수 추정 문제
실제적으로 매우 중요한 통계적 해법 이론의 문제 중 하나는 다음과 같이 공식화되는 시스템의 상태 벡터와 매개변수를 추정하는 문제입니다. 직접 측정에 접근할 수 없는 벡터 매개변수 X 의 값을 추정해야 한다고 가정합니다. 대신 X 에 따라 다른 매개변수 Z 가 측정됩니다. 추정 작업은 Z 를 알고 X 에 대해 말할 수 있는 질문에 답하는 것입니다. 일반적으로 벡터 X 의 최적 추정을 위한 절차는 추정 품질에 대해 허용되는 기준에 따라 다릅니다. 예를 들어, 매개변수 추정 문제에 대한 베이지안 접근 방식은 추정된 매개변수의 확률 속성에 대한 완전한 사전 정보를 필요로 하는데, 이는 종종 불가능합니다. 이러한 경우에는 사전 정보가 훨씬 적게 필요한 LSM(최소 자승법) 방법에 의존합니다. 관측 벡터 Z 가 선형 모델에 의해 매개변수 추정 벡터 X 와 연관되고 관측에 추정된 매개변수와 상관되지 않는 잡음 V 가 있는 경우에 LSM의 적용을 고려하십시오.
여기서 H 는 관찰된 값과 추정된 매개변수 간의 관계를 설명하는 변환 행렬입니다.
오차의 제곱을 최소화하는 X 의 추정치는 다음과 같이 작성됩니다.
잡음 V 를 상관 관계가 없다고 가정합니다. 이 경우 RV 행렬은 단위 행렬이고 추정 방정식은 더 간단해집니다.
필터링 작업
고정 값을 갖는 매개변수를 추정하는 작업과 달리 필터링 문제에서는 프로세스를 평가해야 합니다. 즉, 노이즈에 의해 왜곡되어 직접 측정에 액세스할 수 없는 시변 신호의 현재 추정치를 찾는 것입니다. 일반적으로 필터링 알고리즘의 유형은 신호 및 노이즈의 통계적 속성에 따라 다릅니다. 유용한 신호는 천천히 변하는 시간 함수이고 잡음은 상관되지 않은 잡음이라고 가정합니다. 신호 및 잡음의 확률적 특성에 대한 선험적 정보가 부족하기 때문에 다시 최소 자승법을 사용합니다.
사실, 우리는 신호 생성 프로세스의 자기회귀 모델을 기반으로 매개변수 추정 프로세스를 구현했습니다.
공식 3은 프로그래밍 방식으로 구현하기 쉽습니다. 이를 위해서는 행렬 H 와 관측값 Z 의 벡터 열을 채워야 합니다. 이러한 필터는 Xnot의 현재 추정치를 얻기 위해 마지막 k개의 관측치를 사용하기 때문에 유한 메모리 필터 라고 합니다. 각각의 새로운 관찰 단계에서 새로운 관찰 세트가 현재 관찰 세트에 추가되고 이전 관찰 세트는 폐기됩니다. 이러한 추정치를 얻는 과정을 슬라이딩 윈도우라고 합니다.
메모리 필터 증가
유한 메모리가 있는 필터는 각각의 새로운 관찰 후에 메모리에 저장된 모든 데이터의 완전한 재계산을 다시 계산해야 한다는 주요 단점이 있습니다. 또한 처음 k개의 관측 결과가 누적된 후에만 추정치 계산을 시작할 수 있습니다. 즉, 이러한 필터는 과도 과정의 지속 시간이 깁니다. 이러한 단점을 극복하기 위해서는 메모리가 일정한 필터에서 메모리가 증가하는 필터로 이동해야 합니다. 이러한 필터에서 평가할 관찰 값의 수는 현재 관찰의 수 n과 일치해야 합니다. 이를 통해 추정된 벡터 X의 구성요소 수와 동일한 관측값 수에서 시작하여 추정값을 얻을 수 있습니다. 이는 채택된 모델의 순서, 즉 Taylor 급수에서 사용된 항의 수에 따라 결정됩니다. 모델. 동시에 n이 증가할수록 필터의 평활화 특성이 향상됩니다. 즉, 추정의 정확도가 증가합니다. 그러나 이 접근 방식을 직접 구현하면 계산 비용이 증가합니다. 따라서 메모리가 증가하는 필터는 반복 필터로 구현됩니다.
증가하는 메모리 필터에는 한 가지 중요한 기능이 있습니다. 공식 6을 보면 최종 점수는 예측 점수 벡터와 수정항의 합이다. 이 보정은 작은 n에서 크고 n이 증가함에 따라 감소하여 에서 0이 되는 경향이 있습니다. 즉, n이 커질수록 필터의 평활 속성이 커지고 필터에 포함된 모델이 우세해지기 시작합니다. 그러나 실제 신호는 일부 영역에서만 모델과 일치할 수 있으므로 예측 정확도가 떨어집니다. 이를 방지하기 위해 일부 n부터 수정 기간의 추가 축소가 금지됩니다. 이것은 필터 대역을 변경하는 것과 같습니다. 즉, 작은 n의 경우 필터는 더 광대역(덜 관성)이고, 큰 n의 경우 더 관성이 됩니다.
그림 1과 그림 2를 비교하십시오. 첫 번째 그림에서 필터는 메모리가 큰 반면 스무딩은 잘되지만 대역이 좁기 때문에 추정된 궤적이 실제보다 뒤쳐집니다. 두 번째 그림에서 필터 메모리는 더 작고 매끄럽지 않지만 실제 궤적을 더 잘 추적합니다.
결정하자:
2. 기대치가 0이고 양의 상관도가 있는 정규 분포 확률 변수가 있다고 가정합니다.
시리즈가 충분히 길면 방향성 가격 움직임의 임의의 긴 세그먼트를 식별할 수 있습니다. 우리는 그러한 경향을 결정적 이라고 부를 것입니다. 디지털 저역 통과 필터 또는 그 파생물의 도움으로 결정론적 추세를 선택하는 것이 기본적으로 가능합니다. 예를 들어, 기간이 다른 두 이동 평균 의 교집합은 평활 시계열의 도함수에 대한 근사치에 불과합니다. 수학에서 요구하는 대로 이것이 작동한다는 것은 분명합니다. 도함수는 0보다 크며, 이는 함수가 증가하고 작으면 감소함을 의미합니다. 여기에서 이것이 양수 FAC가 있는 시리즈에만 작동하고 모든 통화 시리즈에 모든 기간에 음수 FAC가 있다는 것을 아는 사람은 거의 없습니다! 그리고 결과적으로 시장에 나와있는 방법이 작동하지 않거나 작동하지만 우연히 ...
시계열과 무작위 표본을 형성하는 일련의 관측치 간의 근본적인 차이점은 다음과 같습니다.
• 첫째, 무작위 표본의 요소와 달리 시계열의 구성원은 독립적이지 않습니다.
• 둘째, 시계열의 구성원이 반드시 균등하게 분포되어 있지는 않습니다.
일반적으로 시계열 값이 형성되는 영향으로 4 가지 요소가 구별됩니다.
1. 장기적으로 분석된 특성의 변화에 있어 일반적인 (장기적으로) 경향을 형성합니다. 일반적으로 이 추세는 일반적으로 단조로운 하나 또는 다른 비임의 함수(인수는 시간임)의 도움으로 설명됩니다. 이 기능을 추세 기능 또는 간단히 추세 라고 합니다.
2. 계절적, 분석된 형질의 변동을 형성하며 연중 특정 시기에 주기적으로 반복됩니다. 이 함수는 주기적이어야 하기 때문에(주기는 "계절"의 배수임) 고조파(삼각 함수)는 분석 표현에 참여하며, 주기성은 일반적으로 문제의 내용에 따라 결정됩니다.
3. 경제 또는 인구 통계학적 특성(Kondratiev 파, 인구 통계학적 "구덩이" 등)의 장기 주기 작용으로 인해 분석된 특성의 주기적(기회적), 형성적 변화.
4. 임의(비정기), 회계 및 등록이 불가능합니다. 시계열 값의 형성에 미치는 영향은 계열 요소의 확률론적 특성을 결정하고 결과적으로 용어를 확률 변수에 대한 관찰로 해석해야 할 필요성을 결정합니다. 무작위 변수("잔차", "오차")를 사용하여 무작위 요인의 영향 결과를 표시합니다.
물론 어떤 시계열의 값을 형성하는 과정에 네 가지 유형의 요소가 모두 동시에 참여할 필요는 전혀 없습니다. 이 유형의 요인이 특정 계열의 값 형성에 관여하는지 여부에 대한 결론은 문제의 내용 본질 분석과 연구 중인 시계열의 특수 통계 분석을 기반으로 할 수 있습니다. . 그러나 모든 경우에 무작위 요인의 필수 참여가 가정됩니다. 따라서 일반적으로 데이터 생성 모델(요인의 영향에 대한 추가 블록 다이어그램 포함)은 전체 또는 일부 요인의 합처럼 보입니다.
반드시 결정적이지 않은 모든 프로세스가 필터에 포함될 수 있습니다. 1 필터를 (1. 장기,...) 2차 필터를 (2. 계절,...) 3차 ~ (3. 순환...) 4차 ~ (4. 무작위( 불규칙), ...), 등.
시세의 흐름과 기체의 움직임이 움직이는 분석과 의사결정에는 근본적인 차이가 없다고 본다. 항공기는 다이빙, 피치업, 스네이크, 코브라 등을 할 수 있습니다. ... 언제든지 (조종사가 원하는 대로) 모든 종류의 기동. 그리고 그가 로켓이 발사되었다는 것을 알았을 때, 그는 프라이팬에서 악마처럼 회전하고 있습니다.
Kalman 필터 의 작업(모든 경우에 대해 하나의 !!! 필터가 아님)이 아니라 여러 개입니다. 1 결정 - 기동 유형과 시작 시간. 2 비행기를 최대한 효율적으로 공격하기 위해 얼마 후 비행기가 어디에 있을지 예측합니다(이익을 취하십시오 :-)).
따라서 1개의 필터가 아니라 여러 개의 필터를 구축해야 하며, 각 필터는 고유한 모델(평면, 추세, ...)에 맞게 구성됩니다.
가장 단순한 옵션 1 필터는 추세에서 작동하고 다른 필터는 플랫에서 작동합니다. 칼만 필터 알고리즘에는 어떤 필터가 현재 더 나은지 결정할 수 있는 절차가 있습니다.
플랫에서 완벽하게 작동하고 트렌드에 병합되는 시스템이 있다고 주장하지 않기를 바랍니다. 트렌드는 잘 작동하지만 플랫이 아닐 때는 그렇지 않습니다. 따라서 칼만 필터는 언제 전환해야 하는지 알려줄 수 있습니다.
추신: 나는 여전히 칼만 필터를 구축하고 다양한 모션 모델을 구축하고 이를 기반으로 TS를 구현하려고 노력할 것입니다. Kalman 필터에는 표준 지표에서 볼 수 없는 고유한 속성이 하나 있습니다. 이는 예측할 수 있습니다. + 내가 3개의 flat, trend, gap, 을 구축한다고 가정해 봅시다. 어떤 영역에서는 이러한 필터가 작동하지 않습니다. 이 영역을 분석하고 4번째 필터 등을 만듭니다. -100에서 +100(퍼셉터)까지의 어리석은 열거가 아니라 의미 있는 시스템 교육입니다.비공개 로
나는 당신이 독수리 제국주의자들에 대한 대응으로 전략적 O 방어 및 반인용 이니셔티브를 만들고 있지 않기를 바랍니다. :에 대한)))
추신: 나는 여전히 칼만 필터를 구축하고 다양한 모션 모델을 구축하고 이를 기반으로 TS를 구현하려고 노력할 것입니다. Kalman 필터에는 표준 지표에서 볼 수 없는 고유한 속성이 하나 있습니다. 이는 예측할 수 있습니다. + 내가 3개의 flat, trend, gap, 을 구축한다고 가정해 봅시다. 어떤 영역에서는 이러한 필터가 작동하지 않습니다. 이 영역을 분석하고 4번째 필터 등을 만듭니다. -100에서 +100(퍼셉터)까지의 어리석은 열거가 아니라 의미 있는 시스템 교육입니다.
추천합니다: 팔이 탈구될 수 있으므로 너무 세게 스윙하지 마십시오. 플랫 또는 트렌드에 대해 처음에는 하나의 필터만 작성하십시오. 이 작업을 수행하는 동안 Forex에 대한 많은 것을 이해하게 될 것이며 계속 진행하는 것이 더 쉬울 것입니다. 다음을 이해하는 것이 특히 중요합니다. 실제 거래자는 어떤 상황에서도 이익을 얻으려고 하지 않습니다. 모든 사람은 자신을 위한 매우 제한된 목록을 찾고 이러한 특정 패턴에서만 작업합니다.
하루에 한 번과 같이 너무 드물게 발생하는 수익성 있는 상황만 통계적으로 구별하는 필터를 만들 수 있다면 여기 있는 모든 사람들이 꿈꾸는 풍요의 뿔이 될 것입니다.
Prival, 주제는 흥미 롭습니다. 나는 당신의 기사를 읽었습니다 - 건전한 생각 (제 생각에는 데카르트 좌표계에서 궤적을 모델링하고 필터링하는 것이 더 좋지만 이것은 관련이 없습니다). 그러나 공중 목표물의 도플러 궤적의 AFK와 가격 움직임의 시각적 유사성은 내가 보기에 우발적이며 주의할 가치가 없기 때문입니다. 프로세스의 성격이 완전히 다릅니다. 항공기의 동적 특성과 인용문은 공통점이 거의 없습니다. 여기처럼 어떤 지점에서는 가격 변동을 비행기가 아닌 파리의 비행 경로에 비유하기도 했습니다. 그러나 파리조차도 예를 들어 hepas를 할 수 없습니다.
동시에 가격의 선형 회귀 를 신호로 선택하면 선형 회귀 계수가 0으로 판명되면 1년에 수백 핍 또는 0을 "잡을" 수 있습니다. 확률적 공명에 대해서도 마찬가지입니다. 아마도 우리는 더 큰 진폭을 가진 고주파수로 인해 느린 추세를 골라낼 것입니다. 그러나 이것으로 무엇을 얻을 수 있습니까? 동시에, 때때로 여러 수치에 대한 가격 변동이 단 며칠 만에 발생합니다. 그리고 거의 모든 쌍에서 1년에 수십 개의 그러한 움직임이 있을 수 있습니다. 그리고 작은 차트에서는 1년에 수백 개의 숫자로 절반 정도, 수천에서 20점을 표시합니다. 따라서 문제는 신호 또는 잡음이 필요한가입니다.
주기적으로, 나는 내 의견으로는 가격을 신호와 잡음으로 나누는 것이 의미가 없다는 내 논문을 포럼에서 반복합니다. 이것은 매우 복잡한 비선형 동적 시스템에서 비정상 프로세스를 설명하는 시계열입니다. 이것은 수백만 개의 기본 매개변수의 일반화된 인덱스로 관찰되는 스칼라입니다. 구성 요소로 나눌 필요는 없습니다. 존재하지 않습니다. 따라서 기존 필터링 방법(이 포럼에서 모두 다른 시간에 논의된 것으로 보임)을 사용하는 것은 작업에 적합하지 않습니다.
적절한 방법이 있습니까? 있다. 대회 전날, klot과 다른 포럼 참가자들의 제안으로 인공지능에 관심을 갖게 됐다. 불행히도 그 용어는 낡았고 여기 사이트의 일부 출판물은 내 눈에 그것을 평가 절하하기까지 했으므로 나는 오랫동안 "신형" 이론을 기각했습니다. 그러나 - 아니요, 광고 방지도 광고입니다. 어떤 단계에서는 Perceptron의 선전도 주제에 대한 관심을 끄는 데 긍정적인 역할을 했습니다. 그러나 문헌을 읽은 후 나는 소위 말하는 정도를 보았습니다. "약한 AI"는 예를 들어 30년 전 내가 처음 들었을 때보다 앞서 있습니다. 또는 오히려, 내가 그에게 얼마나 뒤처져 왔는지.
챔피언십의 경우 단순하게 훈련된 그리드를 넣었는데, 이는 과도하고 어리석은 것으로 판명되었지만, 다른 전문가들과 무엇보다 현재 리더인 Better'의 사례는 이것이 작업하는 것이 합리적인 방향임을 보여줍니다. .
Prival, 나는 당신의 계획을 망치고 싶지 않지만, 나는 당신이 전문적인 활동을 위해 AI에서 많은 유용한 것들을 찾고 수익성 있는 차량을 더 빨리 만들 수 있을 것이라고 확신합니다.
주님, 제가 조언을 드리겠습니다. 당신은 나에게 TS를 구축하는 다른 방법을 제공합니다(여기에 AI, 신경망의 예를 제공하지만 내 관점에서 당신 자신은 완전히 이해하지 못합니다). 내가 방금 Forex에 입문했다고 생각하거나(최소 스프레드가 10-15포인트였던 시절을 기억하고 행복해 보였지만) AI, 신경망 및 다리가 어디에서 자라는지 전혀 모릅니다 :-) .
이제 나는 항상 예를 들어 "단순한 훈련된 그리드"를 만들 때 내가 하고 싶은 일과 당신이 하는 일을 이해하는 데 도움을 주기 위해 노력할 것입니다.
더 나은 이해를 위해 링크를 제공하고 거기에 쓰여진 내용을 다시 한 번 읽고 아래에 쓸 내용과 비교할 것입니다(불행히도 klot'의 진술을 찾을 수 없었으며 아마도 거기에 대해 이야기할 수도 있습니다).
수익성 있는 거래 전략 찾는 방법 ( '수익성 있는 거래 전략 찾는 방법' )
맞춤형 자동 거래 ( '맞춤형 자동 거래' )
다음은 인용문입니다. "객체를 롱 포지션과 숏 포지션의 두 가지 클래스로 나누고 기술적 분석의 지표 또는 오실레이터 값을 기호로 사용하면 평면의 방정식을 파악하고 시도하는 것만 남아 있습니다. 식별하는 데 사용합니다. 문제 진술은 명확합니다.
이것은 가장 순수한 형태의 인정론이며, 군대는 이를 오랫동안 완벽하게 그리고 오랫동안 사용해왔다. 클래스 4(BMP - BTR - BMP 레이아웃 - 장갑차 배치)보다 여기에서 하나의 직선으로 처리하십시오 :-), 도움을 받아 모든 것을 4 클래스로 나눕니다.
이 이론에서 악명 높은 AI가 등장한 신경망은 사람들이 본질적으로 게으르고 다시 시스템을 만들고 싶어한다는 것입니다. , 동시에 꼼꼼한 시장분석으로?". 많은 수의 클래스와 기능 을 인식하도록 컴퓨터를 가르치는 것은 매우 어렵기 때문에 신경망(NN)이 만들어졌습니다. 국회는 어느 정도 성공을 거두었지만 이것이 만병통치약이 아니며 거기에는 인텔리전스가 없습니다. 이러한 작업에서 가장 중요하고 가장 중요한 것은 클래스를 구분하고 이러한 클래스를 인식하기 위한 기능을 선택하는 것입니다.
이 자료를 읽은 후 저는 저자 자신이 자신이 하는 일을 이해하지 못하거나 그것을 아주 잘 알면서도 우리를 오도한다는 인상을 받았습니다. 다음은 메인 코드의 예시입니다.
기호(가/감속(가/감속,AC)의 기술적 지표)로 사용하여 "아군 또는 적"을 결정하는 전투 알고리즘을 만들면 벽에 두는 것만으로는 충분하지 않을 것입니다 (내가 고려하더라도 이 물체의 가속도 7, 14, 21분 전). 본질을 바꾸지는 않습니다. 그리고 주의하세요, 저는 클래스를 나누는 작업에 대해서만 이야기 하고 있고, 클래스를 나눈 후 어떻게 해야할지는 말하지 않습니다. 위 자료의 작성자는 모든 것을 함께 혼합합니다(전투에서 즉시 구매 또는 판매).
이제 이 스레드에 게시한 자료로 돌아가 차량이 어떻게 생겼는지 보여주고 싶습니다(당연히 내 관점에서).
1. 여기 그림이 있습니다. 생각해 보세요. 생성된 "그리드"를 개선하는 방법을 알려줄 것입니다. 이것은 사진 속의 Waldow 감지기입니다(예-아니오-논리를 모릅니다. 저는 몇 페이지 전에 그것에 대해 이야기했습니다).
2. 인식의 기호를 명확하게 정의합니다(칼만 필터에 넣은 "행동" 모델을 그대로 사용하고 싶습니다.). 나는 당신이 무엇을 놓을 지 모릅니다. 최소한 한 가지 조건을 관찰하십시오. 징후는 상관 관계가 없어야합니다 (강한 상관 관계).
3. 따옴표의 입력 스트림을 나눌 클래스를 결정합니다(단순한 추세라고 가정해 봅시다). 그리고 흐름을 인식한 후에야 전투에 뛰어드십시오. 즉, 플랫에서 잘 작동하는 거래 시스템을 선택하고 추세에 따라 다른 시스템을 선택하십시오.
PS 다시, 나는 나에게 명백한 것을 말하고, 반나절을 잃었다. 하지만 저는 제 목표를 이루지 못했습니다 :-(. 그런 차량을 만드는 데 정말로 도움을 주고 싶어하는 사람들이 없었습니다. 아마도 이 스레드를 삭제할 것입니다.
건설적인 비판적 발언은 가능한 전략을 설계하고 논의하는 단계에서 당사자 간의 가능한 합의만큼 가치가 있다고 생각합니다. 이것은 시간과 노력을 절약할 수 있습니다. 그러므로 나는 짜증을 낼 이유가 없다고 생각합니다. 우리는 같은 팀에 있고 공통의 목표를 가지고 있습니다.
Prival 은 항공기에 질량이 있다는 것을 이미 여러 번 알고 있으므로 가능한 모든 재주 넘기를 고려하여 공간에서 항공기의 움직임을 설명하는 곡선이 되도록 시간 척도 분할의 불연속성을 항상 선택할 수 있습니다. 순조로울 것이다. 이 곡선에 추가 랜덤 노이즈를 적용해도 그림이 바뀌지 않습니다. 궤도를 복원할 수 있고 예측할 수 있습니다. 이것이 LA의 행태와 VR형의 가격을 구별짓는 근본적인 포인트라고 생각합니다. 가격 시리즈에는 간섭으로 인한 부드러운 곡선이 없습니다. 이에 대해 확실하게 말하는 평가 기준이 있습니다.
이것은 나의 비판이며, 당신은 아직 이에 대해 건설적인 반응을 하지 않았습니다.