또한 모든 시계열에 대한 적절성과 관련하여 ACF를 작성할 수 있습니다. 가장 자주 분석의 기초가 되는 것이 ACF이므로 포럼의 이 스레드 앞부분에서 모델과 실제 ACF에서 얻은 ACF 수치를 인용했습니다. 인용문은 겉으로 보기에는 처리할 수 없습니다.
정지 문제에 대한 그림. 이것은 첫 번째 ACF 부호가 +에서 -로 변하는 시간 그래프입니다. 이 특성은 특이점 중 하나로 선택됩니다. ACF는 Y - mu 에 대해 계산되고, 아래쪽 곡선의 경우 선형 회귀가 매주 간격으로 계산되고 위의 경우에는 대략 월간 간격으로 계산됩니다.
정지 문제에 대한 그림. 이것은 첫 번째 ACF 부호가 +에서 -로 변하는 시간 그래프입니다. 이 특성은 특이점 중 하나로 선택됩니다. ACF는 Y - mu 에 대해 계산되고, 아래쪽 곡선의 경우 선형 회귀가 매주 간격으로 계산되고 위의 경우에는 대략 월간 간격으로 계산됩니다.
이 점을 ACF 차트에 표시하십시오. 첫 번째 변곡점이 -에서 +로의 변화인 것 같습니다(즉, 먼저 곡선이 아래로(-), 위로(+)) 이 점은 진동 주파수를 결정합니다. 숫자는 시간 단위입니까? 또는 이전에 ACF가 X축을 따라 샘플링 깊이로 정규화되었습니다. 그리고 당신의 결론이 어렵지 않다면. 현재로서는 변곡점이 있기 때문에 이러한 진동의 주파수가 변하기 때문에 진동이 항상 존재한다는 한 가지 결론이 있는 것 같습니다. 샘플이 작을수록 진동 주파수의 변화 속도가 더 빠릅니다. 사실, 이 그래프를 올바르게 이해한다면
Prival : ACF 차트에 이 점을 보여주세요. 첫 번째 변곡점이 -에서 +로의 변화인 것 같습니다(즉, 먼저 곡선이 아래로(-), 위로(+)) 이 점은 어떻게든 진동 주파수를 결정합니다. 숫자는 시간 단위입니까? 또는 이전에 ACF가 X축을 따라 샘플링 깊이로 정규화되었습니다. 그리고 당신의 결론이 어렵지 않다면. 현재로서는 변곡점이 있기 때문에 진동이 항상 존재한다는 한 가지 결론이 있는 것 같습니다. 이러한 진동의 주파수가 변경될수록 샘플이 작을수록 진동 주파수의 변화 속도가 빨라집니다. 사실, 이 그래프를 올바르게 이해한다면
나는 당신에게 사진을 제공합니다 :
즉, 이것은 "잘못된"특이점이지만 더 가깝습니다 :) 이론상 좌표는 "정확한"특이점의 좌표와 단조롭게 관련됩니다. 또한 ACF의 가파른 부분에 위치합니다. 즉, 노이즈에 덜 의존합니다. 즉, 첫 번째 대략적인(즉, 빠른) 정상성 기준인 IMHO로 더 적합합니다.
숫자는 시간 단위의 시간입니다. 정규화하는 것은 어렵지 않지만 정확히 얼마나 오랫동안 고정 모델을 시장에 "끌어낼" 수 있기 때문에 흥미롭습니다.
사실, 지금까지 단 하나의 결론이 있습니다 . 칼만 필터 를 코딩하기 전에 충분히 빈번하고 충분히 긴 고정 섹션으로 초기 데이터를 얻는 방법을 배워야 합니다. 여기에 더 많은 생각이 있습니다. 정상 상태의 상황이 표본의 길이에 달려 있다는 사실은 표본의 선택이 기본이고 성공 여부가 이에 달려 있음을 의미할 수 있습니다. 또는 보다 일반적인 공식에서 - 데이터가 준비되는 도중.
명확성을 위해 선형 미분 시스템을 모델로 선택합니다. 방정식(DE)을 사용하면 ACF의 구조에 따라 어느 정도 적절한 설명에 필요한 DE의 수를 판단할 수 있는 것 같습니다. 계수를 선택하는 것(및 그 드리프트를 설명하는 것)은 기술의 문제입니다. 그러나 시간 경과에 따른 ACF의 동작(시각화 도구에서)을 잠시 동안 고려한 후 모델의 PS 수가 가변적이어야 한다는 것을 이해하기 시작했습니다. 또는 이동 중에도 모델을 변경해야 합니다.
그건 그렇고, 그림에 대한 이 특정 조각은 잘 정의된 정지 영역(매우 드물지만)과 재앙(바)을 모두 포함하고 있기 때문에 선택되었습니다.
내 분석과 ACF에 대한 귀하의 그림을 바탕으로 이 표현으로 근사할 수 있습니다(pp. 184-185. Tikhonov V.I. 파일 첨부).
ACF가 매개변수(오메가, 알파 및 N)를 추출하도록 하여 문제를 해결했습니다.
나는 matkad에서만 파일을 첨부하고 있습니다. 당신이 그것을 가지고 있는지 기억이 안납니다. 그렇지 않은 경우 여기에 필요한 설명과 함께 공식을 게시하겠습니다.
연구에 대한 나의 생각.
이것은 입력 스트림의 비선형 변환이기 때문에 시간별 막대에서 고정성을 찾는 것은 어떻게 든 잘못된 것입니다(틱 스트림을 입력으로 간주함). 막대를 취하면(분석된 정보의 양을 줄이기 위해) 입력 스트림을 시간이 아닌 막대의 눈금 수(볼륨=const) IHMO로 나누어야 합니다. 내가 잠시 멈춘 동안, 악마의 하급자로서. 더 긴 기간은 고려하지 않습니다. 기간이 클수록 도입된 비선형성이 커지기 때문입니다. 일주일이 필요한 경우 분석된 샘플의 길이를 조정하기만 하면 7200을 선택합니다.
Y가 속도(닫기[i]-닫기[i+1])/(시간[i]-시간[i+1]))일 때 같은 방식으로 연구를 수행해야 하며, 나눗셈은 생략 가능 분 동안. Mathemat ' uk, 이것은 호출 이름을 반환하지만 속도라고 부르고 싶습니다.
당연하지만 가속(2차 미분)을 위해서도 마찬가지입니다.
그때 당신이 올바르게 말했듯이 리모컨의 수를 결정할 수 있습니다. "이동 중에도 모델을 변경해야 할 것"에 관해서는 확실히 그렇게 될 것입니다. 이러한 모델에만 매개변수가 있으며 선형(칼만 필터링) 내에 머무르면 각 매개변수 값(오메가라고 가정)에 대해 고유한 필터가 필요합니다. 이 문제를 정면으로 해결하려면("모든 경우에 대해" 최적의 솔루션을 찾기 위해) 10-20개가 필요하다고 이전에 썼습니다. 한도 내에서 무한한 수의 필터가 필요합니다. 이를 벗어나기 위해 미래에는 알려지지 않은 매개변수(오메가, 알파)를 원격 제어 시스템에 도입할 생각입니다. 비선형 필터링으로 전환하십시오(언뜻 보기에 하단 그래프 참조, 이러한 매개변수가 선형 법칙을 따르는 섹션이 있어 기쁘게 생각합니다). Stratonovich는 이것을 할 것을 권장하며 이 기술은 종종 연습에 허용되는 정확도로 이러한 문제를 해결하는 데 도움이 됩니다.
"실습을 위한 허용 가능한 정확도"라는 용어를 이해하면서 일주일에 2일 작동하는 2-3개의 비선형 필터를 합성할 수 있다면 충분합니다. 모델이 작동합니다 - 거래합니다. 그렇지 않으면 모델이 작동하지 않으며(예측할 수 없음) 거래하지 않습니다. 나는 앉아서 더 연구하고 첫 번째 모델과 함께 총 2일이 아니라 2.5일 등의 다른 모델을 소개합니다.
솔직히, 재앙 지점에 대해 조금 더 자세히 요청하십시오. 재난이 발생하기 전이나 작전이 '잘못된' 지점이 '대재앙의 지점 :-)'이 된 시점에 관심이 쏠린다.
파일 감사합니다 한번 보겠습니다. 나는 여전히 matkad가 없지만. 그리고 예를 들어 더 교활한 AKF와 어떻게 싸워야합니까?
일반적으로 인정하기가 부끄럽지만 포럼에서 제가 그냥 필론인 것 같습니다. :). 나는 내 자신의 작업 계획을 가지고 있습니다. 아아, 여름이 끝날 무렵부터 그것은 실질적으로 손대지 않았습니다 :). 원칙적으로 이 계획은 각각 최적의 샘플 길이를 결정하는 작업과 공통점이 있으며, 성공할 경우 칼만 필터의 차례가 될 수 있습니다. 즉, 불행히도이 매우 흥미로운 주제의 열매는 저장을 위해 여전히 쓰레기통에 있습니다. :)
시간별 막대에서 고정성을 찾는 것은 어떻게 든 잘못된 것입니다. ..
나는 또한 분을 선호합니다. 차트를 수평으로 압축하는 MT의 기능이 충분하지 않다는 것입니다.
Y가 속도(닫기[i]-닫기[i+1])/(시간[i]-시간[i+1]))일 때 같은 방식으로 연구를 수행해야 하며, 나눗셈은 생략 가능 분 동안. Mathemat ' uk, 이것은 호출 이름을 반환하지만 속도라고 부르고 싶습니다.
당연하지만 가속(2차 미분)을 위해서도 마찬가지입니다.
그때 당신이 올바르게 말했듯이 리모컨의 수를 결정할 수 있습니다. "이동 중에도 모델을 변경해야 할 것"에 관해서는 확실히 그렇게 될 것입니다. 이러한 모델에만 매개변수가 있으며 선형(칼만 필터링) 내에 머무르면 각 매개변수 값(오메가라고 가정)에 대해 고유한 필터가 필요합니다. 이 문제를 정면으로 해결하려면("모든 경우에 대해" 최적의 솔루션을 찾기 위해) 10-20개가 필요하다고 이전에 썼습니다. 한도 내에서 무한한 수의 필터가 필요합니다. 이를 벗어나기 위해 미래에는 알려지지 않은 매개변수(오메가, 알파)를 원격 제어 시스템에 도입할 생각입니다. 비선형 필터링으로 전환하십시오(언뜻 보기에 하단 그래프 참조, 이러한 매개변수가 선형 법칙을 따르는 섹션이 있어 기쁘게 생각합니다). Stratonovich는 이것을 할 것을 권장하며 이 기술은 종종 연습에 허용되는 정확도로 이러한 문제를 해결하는 데 도움이 됩니다.
"실습을 위한 허용 가능한 정확도"라는 용어를 이해하면서 일주일에 2일 작동하는 2-3개의 비선형 필터를 합성할 수 있다면 충분합니다. 모델이 작동합니다 - 거래합니다. 그렇지 않으면 모델이 작동하지 않으며(예측할 수 없음) 거래하지 않습니다. 나는 앉아서 더 연구하고 첫 번째 모델과 함께 총 2일이 아니라 2.5일 등의 다른 모델을 소개합니다.
나는 그 아이디어가 어느 정도 이해되었다고 생각합니다.
솔직한, 대재앙에 대한 요청은 조금 더 자세히. 재난이 발생하기 전이나 작전이 '잘못된' 지점이 '대재앙의 지점 :-)'이 된 시점에 관심이 쏠린다.
나는 이것이 시장 재앙이 아니라 회귀를 위한 표본의 고정된 길이와 직접적으로 관련된 모델 재앙이 아닌가 걱정됩니다. VTPF(Great Theme of Parallel Forum)를 개발하는 과정에서도 슬라이딩 회귀의 매개변수에서 점프와 같은 변화의 효과가 나타났습니다. :) 물론 궁극적으로 시장의 프로세스와 연결되어 있지만. 그러나 나는 여전히 사진을 게시하고 있습니다. 지표를 보내드릴 수 있습니다.
이 모든 재난이 있는 화살표와 함께 조금 더 자세히 설명합니다. 매개 변수가 더 일찍 작동하면 가격 재앙의 시작을 예측할 수있는 기회가 매우 중요하다고 생각합니다. 더 일찍 예라면 긴 샘플을 처리할 수 있습니다. 가능한 경우 링크를 제공하는 일종의 병렬 포럼을 언급한 것은 이번이 두 번째입니다. (어쩌면 내가 어딘가에서 뭔가를 놓쳤을 수도 있다). 다 읽지마
이 모든 재난이 있는 화살표와 함께 조금 더 자세히 설명합니다. 매개 변수가 더 일찍 작동하면 가격 재앙의 시작을 예측할 수있는 기회가 매우 중요하다고 생각합니다. 더 일찍 예라면 긴 샘플을 처리할 수 있습니다. 가능한 경우 링크를 제공하는 일종의 병렬 포럼을 언급한 것은 이번이 두 번째입니다. (어쩌면 내가 어딘가에서 뭔가를 놓쳤을 수도 있다). 다 읽지마
아마도 나는 예측에 대해 추가 할 것입니다. 나는 또한 두 배의 "재앙"이 가격 상승에 앞서 있다는 것을 알아차렸습니다. 그리고 몇 가지를 더 살펴보았다. 이들은 다소 드문 이벤트이며, 안타깝게도 그 이후의 가격 상승이 항상 발생하는 것은 아닙니다.
그러나 거기에는 흥미로운 것이 있습니다. AKF는 그렇게 뛰어 넘을 수 없습니다. 더 작은 기간(일반적으로 더 자세히)을 살펴볼 필요가 있습니다. 요점은 매우 흥미롭습니다. 그리고 반드시 더블 점프 "ACF의 교활한 포인트"는 아닙니다. 웬일인지 나는 단 하나의 (갑작스러운) 변화조차도 프로세스의 변화를 나타내는 것이라고 생각합니다.
또한 모든 시계열에 대한 적절성과 관련하여 ACF를 작성할 수 있습니다. 가장 자주 분석의 기초가 되는 것이 ACF이므로 포럼의 이 스레드 앞부분에서 모델과 실제 ACF에서 얻은 ACF 수치를 인용했습니다. 인용문은 겉으로 보기에는 처리할 수 없습니다.
정지 문제에 대한 그림. 이것은 첫 번째 ACF 부호가 +에서 -로 변하는 시간 그래프입니다. 이 특성은 특이점 중 하나로 선택됩니다. ACF는 Y - mu 에 대해 계산되고, 아래쪽 곡선의 경우 선형 회귀가 매주 간격으로 계산되고 위의 경우에는 대략 월간 간격으로 계산됩니다.
ACF 차트에 이 점을 보여주세요. 첫 번째 변곡점이 -에서 +로의 변화인 것 같습니다(즉, 먼저 곡선이 아래로(-), 위로(+)) 이 점은 어떻게든 진동 주파수를 결정합니다. 숫자는 시간 단위입니까? 또는 이전에 ACF가 X축을 따라 샘플링 깊이로 정규화되었습니다. 그리고 당신의 결론이 어렵지 않다면. 현재로서는 변곡점이 있기 때문에 진동이 항상 존재한다는 한 가지 결론이 있는 것 같습니다. 이러한 진동의 주파수가 변경될수록 샘플이 작을수록 진동 주파수의 변화 속도가 빨라집니다. 사실, 이 그래프를 올바르게 이해한다면
나는 당신에게 사진을 제공합니다 :
즉, 이것은 "잘못된"특이점이지만 더 가깝습니다 :) 이론상 좌표는 "정확한"특이점의 좌표와 단조롭게 관련됩니다. 또한 ACF의 가파른 부분에 위치합니다. 즉, 노이즈에 덜 의존합니다. 즉, 첫 번째 대략적인(즉, 빠른) 정상성 기준인 IMHO로 더 적합합니다.
숫자는 시간 단위의 시간입니다. 정규화하는 것은 어렵지 않지만 정확히 얼마나 오랫동안 고정 모델을 시장에 "끌어낼" 수 있기 때문에 흥미롭습니다.
사실, 지금까지 단 하나의 결론이 있습니다 . 칼만 필터 를 코딩하기 전에 충분히 빈번하고 충분히 긴 고정 섹션으로 초기 데이터를 얻는 방법을 배워야 합니다. 여기에 더 많은 생각이 있습니다. 정상 상태의 상황이 표본의 길이에 달려 있다는 사실은 표본의 선택이 기본이고 성공 여부가 이에 달려 있음을 의미할 수 있습니다. 또는 보다 일반적인 공식에서 - 데이터가 준비되는 도중.
명확성을 위해 선형 미분 시스템을 모델로 선택합니다. 방정식(DE)을 사용하면 ACF의 구조에 따라 어느 정도 적절한 설명에 필요한 DE의 수를 판단할 수 있는 것 같습니다. 계수를 선택하는 것(및 그 드리프트를 설명하는 것)은 기술의 문제입니다. 그러나 시간 경과에 따른 ACF의 동작(시각화 도구에서)을 잠시 동안 고려한 후 모델의 PS 수가 가변적이어야 한다는 것을 이해하기 시작했습니다. 또는 이동 중에도 모델을 변경해야 합니다.
그건 그렇고, 그림에 대한 이 특정 조각은 잘 정의된 정지 영역(매우 드물지만)과 재앙(바)을 모두 포함하고 있기 때문에 선택되었습니다.
추신: 더 정확하게는 분명히 두 가지 재앙이 있습니다. 결국 두 번의 도약이 있습니다.
덕분에 모든 것을 이해했고 모든 생각(아이디어)이 수렴되는 것 같습니다.
내 분석과 ACF에 대한 귀하의 그림을 바탕으로 이 표현으로 근사할 수 있습니다(pp. 184-185. Tikhonov V.I. 파일 첨부).
ACF가 매개변수(오메가, 알파 및 N)를 추출하도록 하여 문제를 해결했습니다.
나는 matkad에서만 파일을 첨부하고 있습니다. 당신이 그것을 가지고 있는지 기억이 안납니다. 그렇지 않은 경우 여기에 필요한 설명과 함께 공식을 게시하겠습니다.
연구에 대한 나의 생각.
이것은 입력 스트림의 비선형 변환이기 때문에 시간별 막대에서 고정성을 찾는 것은 어떻게 든 잘못된 것입니다(틱 스트림을 입력으로 간주함). 막대를 취하면(분석된 정보의 양을 줄이기 위해) 입력 스트림을 시간이 아닌 막대의 눈금 수(볼륨=const) IHMO로 나누어야 합니다. 내가 잠시 멈춘 동안, 악마의 하급자로서. 더 긴 기간은 고려하지 않습니다. 기간이 클수록 도입된 비선형성이 커지기 때문입니다. 일주일이 필요한 경우 분석된 샘플의 길이를 조정하기만 하면 7200을 선택합니다.
Y가 속도(닫기[i]-닫기[i+1])/(시간[i]-시간[i+1]))일 때 같은 방식으로 연구를 수행해야 하며, 나눗셈은 생략 가능 분 동안. Mathemat ' uk, 이것은 호출 이름을 반환하지만 속도라고 부르고 싶습니다.
당연하지만 가속(2차 미분)을 위해서도 마찬가지입니다.
그때 당신이 올바르게 말했듯이 리모컨의 수를 결정할 수 있습니다. "이동 중에도 모델을 변경해야 할 것"에 관해서는 확실히 그렇게 될 것입니다. 이러한 모델에만 매개변수가 있으며 선형(칼만 필터링) 내에 머무르면 각 매개변수 값(오메가라고 가정)에 대해 고유한 필터가 필요합니다. 이 문제를 정면으로 해결하려면("모든 경우에 대해" 최적의 솔루션을 찾기 위해) 10-20개가 필요하다고 이전에 썼습니다. 한도 내에서 무한한 수의 필터가 필요합니다. 이를 벗어나기 위해 미래에는 알려지지 않은 매개변수(오메가, 알파)를 원격 제어 시스템에 도입할 생각입니다. 비선형 필터링으로 전환하십시오(언뜻 보기에 하단 그래프 참조, 이러한 매개변수가 선형 법칙을 따르는 섹션이 있어 기쁘게 생각합니다). Stratonovich는 이것을 할 것을 권장하며 이 기술은 종종 연습에 허용되는 정확도로 이러한 문제를 해결하는 데 도움이 됩니다.
"실습을 위한 허용 가능한 정확도"라는 용어를 이해하면서 일주일에 2일 작동하는 2-3개의 비선형 필터를 합성할 수 있다면 충분합니다. 모델이 작동합니다 - 거래합니다. 그렇지 않으면 모델이 작동하지 않으며(예측할 수 없음) 거래하지 않습니다. 나는 앉아서 더 연구하고 첫 번째 모델과 함께 총 2일이 아니라 2.5일 등의 다른 모델을 소개합니다.
솔직히, 재앙 지점에 대해 조금 더 자세히 요청하십시오. 재난이 발생하기 전이나 작전이 '잘못된' 지점이 '대재앙의 지점 :-)'이 된 시점에 관심이 쏠린다.
ACF에서 매개변수(오메가, 알파 및 N)를 추출하도록 하여 문제를 해결했습니다.
파일 감사합니다 한번 보겠습니다. 나는 여전히 matkad가 없지만. 그리고 예를 들어 더 교활한 AKF와 어떻게 싸워야합니까?
일반적으로 인정하기가 부끄럽지만 포럼에서 제가 그냥 필론인 것 같습니다. :). 나는 내 자신의 작업 계획을 가지고 있습니다. 아아, 여름이 끝날 무렵부터 그것은 실질적으로 손대지 않았습니다 :). 원칙적으로 이 계획은 각각 최적의 샘플 길이를 결정하는 작업과 공통점이 있으며, 성공할 경우 칼만 필터의 차례가 될 수 있습니다. 즉, 불행히도이 매우 흥미로운 주제의 열매는 저장을 위해 여전히 쓰레기통에 있습니다. :)
시간별 막대에서 고정성을 찾는 것은 어떻게 든 잘못된 것입니다. ..
Y가 속도(닫기[i]-닫기[i+1])/(시간[i]-시간[i+1]))일 때 같은 방식으로 연구를 수행해야 하며, 나눗셈은 생략 가능 분 동안. Mathemat ' uk, 이것은 호출 이름을 반환하지만 속도라고 부르고 싶습니다.
당연하지만 가속(2차 미분)을 위해서도 마찬가지입니다.
그때 당신이 올바르게 말했듯이 리모컨의 수를 결정할 수 있습니다. "이동 중에도 모델을 변경해야 할 것"에 관해서는 확실히 그렇게 될 것입니다. 이러한 모델에만 매개변수가 있으며 선형(칼만 필터링) 내에 머무르면 각 매개변수 값(오메가라고 가정)에 대해 고유한 필터가 필요합니다. 이 문제를 정면으로 해결하려면("모든 경우에 대해" 최적의 솔루션을 찾기 위해) 10-20개가 필요하다고 이전에 썼습니다. 한도 내에서 무한한 수의 필터가 필요합니다. 이를 벗어나기 위해 미래에는 알려지지 않은 매개변수(오메가, 알파)를 원격 제어 시스템에 도입할 생각입니다. 비선형 필터링으로 전환하십시오(언뜻 보기에 하단 그래프 참조, 이러한 매개변수가 선형 법칙을 따르는 섹션이 있어 기쁘게 생각합니다). Stratonovich는 이것을 할 것을 권장하며 이 기술은 종종 연습에 허용되는 정확도로 이러한 문제를 해결하는 데 도움이 됩니다.
"실습을 위한 허용 가능한 정확도"라는 용어를 이해하면서 일주일에 2일 작동하는 2-3개의 비선형 필터를 합성할 수 있다면 충분합니다. 모델이 작동합니다 - 거래합니다. 그렇지 않으면 모델이 작동하지 않으며(예측할 수 없음) 거래하지 않습니다. 나는 앉아서 더 연구하고 첫 번째 모델과 함께 총 2일이 아니라 2.5일 등의 다른 모델을 소개합니다.
솔직한, 대재앙에 대한 요청은 조금 더 자세히. 재난이 발생하기 전이나 작전이 '잘못된' 지점이 '대재앙의 지점 :-)'이 된 시점에 관심이 쏠린다.
나는 이것이 시장 재앙이 아니라 회귀를 위한 표본의 고정된 길이와 직접적으로 관련된 모델 재앙이 아닌가 걱정됩니다. VTPF(Great Theme of Parallel Forum)를 개발하는 과정에서도 슬라이딩 회귀의 매개변수에서 점프와 같은 변화의 효과가 나타났습니다. :) 물론 궁극적으로 시장의 프로세스와 연결되어 있지만. 그러나 나는 여전히 사진을 게시하고 있습니다. 지표를 보내드릴 수 있습니다.
칸디다
이 모든 재난이 있는 화살표와 함께 조금 더 자세히 설명합니다. 매개 변수가 더 일찍 작동하면 가격 재앙의 시작을 예측할 수있는 기회가 매우 중요하다고 생각합니다. 더 일찍 예라면 긴 샘플을 처리할 수 있습니다. 가능한 경우 링크를 제공하는 일종의 병렬 포럼을 언급한 것은 이번이 두 번째입니다. (어쩌면 내가 어딘가에서 뭔가를 놓쳤을 수도 있다). 다 읽지마
칸디다
이 모든 재난이 있는 화살표와 함께 조금 더 자세히 설명합니다. 매개 변수가 더 일찍 작동하면 가격 재앙의 시작을 예측할 수있는 기회가 매우 중요하다고 생각합니다. 더 일찍 예라면 긴 샘플을 처리할 수 있습니다. 가능한 경우 링크를 제공하는 일종의 병렬 포럼을 언급한 것은 이번이 두 번째입니다. (어쩌면 내가 어딘가에서 뭔가를 놓쳤을 수도 있다). 다 읽지마
이전 게시물에서 사진을 변경했습니다. VTPF(Great Topic of the Parallel Forum) :) 에 관해서는, 길이와 극단적인 쓰레기 때문에 다시 읽기가 상당히 어렵습니다.
아마도 나는 예측에 대해 추가 할 것입니다. 나는 또한 두 배의 "재앙"이 가격 상승에 앞서 있다는 것을 알아차렸습니다. 그리고 몇 가지를 더 살펴보았다. 이들은 다소 드문 이벤트이며, 안타깝게도 그 이후의 가격 상승이 항상 발생하는 것은 아닙니다.
아마도 나는 예측에 대해 추가 할 것입니다. 나는 또한 두 배의 "재앙"이 가격 상승에 앞서 있다는 것을 알아차렸습니다. 그리고 몇 가지를 더 살펴보았다. 이들은 다소 드문 이벤트이며, 안타깝게도 그 이후의 가격 상승이 항상 발생하는 것은 아닙니다.
그러나 거기에는 흥미로운 것이 있습니다. AKF는 그렇게 뛰어 넘을 수 없습니다. 더 작은 기간(일반적으로 더 자세히)을 살펴볼 필요가 있습니다. 요점은 매우 흥미롭습니다. 그리고 반드시 더블 점프 "ACF의 교활한 포인트"는 아닙니다. 웬일인지 나는 단 하나의 (갑작스러운) 변화조차도 프로세스의 변화를 나타내는 것이라고 생각합니다.