흥미롭군요, Yurixx . 우리가 시장에 접근할 수 있는 수준으로 인해 우리는 현상학적 설명의 최대 수준에 도달할 수밖에 없는 것 같습니다. 대략적으로 말하면, 고전적인 열역학이 아니라 통계에 관한 것입니다. 그리고 클래식이 잘 작동하지 않습니까? 프레임워크 내에서 엔트로피 또는 온도가 무엇인지 잘 이해하지 못하더라도 여전히 작동하며 동시에 매우 잘 작동합니다.
클래식은 잘 작동합니다. 그러나 그것이 작동하기 전, 그리고 탄생하기 전에 머리가 세 개인 용 Charles-Boyle-Mariotte는 열심히 일했고 그가 현상학적으로 추론한 법칙은 Mendeleev-Clapeyron 방정식의 특별한 경우로 밝혀졌습니다. 즉, 현상학에서 실제 패턴의 식별로 상승하는 것이 가능했습니다. 그리고 이것이 사실이 아니라면, 고전 열역학에서 일반적으로 무엇이 될까요?
그리고 우리가 순전히 실용적인 목표를 설정하는 한, 즉 차량을 만들고 반죽을 줄이는 한에서만 현상학적 설명을 하게 될 운명입니다. 그리고 밝은 머리를 가진 사람이 상업 이익에서 산만하고 시장에 대한 심층 연구에 시간을 할애하면 도구, 데이터 등 흥미로운 발견에 필요한 모든 것을 갖게 될 것입니다. 필요하지만 충분하지 않은... :-)
거기에서: "하지만 1년 만에 채권과 S&P 500 지수에 대한 선물 거래에서 그는 투자를 1147,000달러로 늘렸습니다. 즉, 11,000% 이상을 벌었습니다." 순서대로 아십카. 네, 그리고 1987년에는 어깨가 더 작아진 것 같았습니다. 그리고, 그들은 이 대회에서 실제 돈을 거래하는 것 같습니다.
"확률적 공명"이라는 주제에서 나는 내 작업을 배치하면서 조사된 FR에 대해 질문했습니다. 그에게 대답할 수 있는 것은 아무것도 없었다. 그리고 시도는 단 세 번이었다. 그러나 이것은 감마 분포라는 잘 알려지고 연구된 함수의 특별한 경우임이 밝혀졌습니다. 베이지안 통계에 관한 책을 읽다가 우연히 이것을 발견했습니다.
나는 스스로를 통계학자라고 생각하지 않지만, 여기에 a.e. 그래프가 있습니다. 이러한 분포. 공식을 올바르게 이해하면 분포가 Rayleigh-Rice 분포일 가능성이 높지만 감마는 아닙니다.
제곱(x^2+y^2) a.e. 이 값은 Rayleigh 분포 법칙 , 레이더에서 매우 자주 사용됩니다. 이것은 푸리에 급수(x는 실수 성분, y는 허수 성분)로 확장될 때 잡음 진폭이 분포되는 방식입니다. 이 값의 제곱은 신호의 에너지와 밀접하게 관련된 로그 정규 분포입니다. Rayleigh 분포는 실제로 뚱뚱한 꼬리가 있는 Rayleigh-Rice 분포의 특별한 경우입니다.
PS 필요한 경우 필요한 페이지를 스캔하여 보내드릴 수 있지만 다음 주에만 가능합니다. 연락을 주시거나 좌표를 남겨주시면 도와드리겠습니다. 이러한 모든 분포는 Levin B.R. 통계 무선 공학의 이론적 기초. - M.: 라디오 및 통신, 1989.
n차 AR 모델을 사용하여 통화 시리즈 의 틱 기록을 질적으로 모델링 하려는 시도를 멈추지 않습니다. 원래 VR의 첫 번째 차이 X[i]=Y[i]-Y[i-1]의 시리즈가 직접 모델링되었음을 상기시켜 드리겠습니다. 여기서 a[i]는 자기회귀 계수이고 시그마는 어떻게든 분포 확률 변수.
화폐 계열의 1차 차액의 FA와 모델 계열의 1차 차액의 FA가 AR 모델에서 확률변수(시그마)의 FA를 통해 어떻게 연결될 수 있다고 생각하십니까?
문제에는 해결책이 있습니다. 펜으로 "필요한" 시그마 분포 법칙을 선택할 수 있지만 이것은 지루한 절차입니다! Yurixx, 그러한 설정의 문제가 당신에게 약간의 관심을 끄는 것 같습니다. 긍정적인 결과의 경우 변동성 측면에서 생성기와 동일한 VR을 구성하고 틱(다른 시간 프레임의 막대) 간의 연결을 유지하기 위한 알고리즘을 손에 넣을 수 있습니다. TS의 대표 테스트에 필요합니다.
AR 모델에서 화폐 시리즈의 첫 번째 차이의 RF와 모델 시리즈의 첫 번째 차이의 RF가 어떻게 연결될 수 있다고 생각합니까?
문제에는 해결책이 있습니다. 펜으로 "필요한" 시그마 분포 법칙을 선택할 수 있지만 이것은 지루한 절차입니다!
음, 시그마가 모델 시리즈의 DF를 통화 시리즈의 DF로 이끌어야 한다는 가정에서 진행하면 시그마의 DF는 모델 X와 실제 Y의 두 CV 차이의 DF로 구축되어야 합니다. 그러나 시그마는 X의 형성에 참여하고 X의 전체 무작위성은 시그마로 결정되기 때문에 바로 말하기는 어렵습니다.
반대로 시도할 수도 있습니다. Xi+1=Xi + 시그마이고 시그마의 DF를 알고 있는 경우 분포 X를 구축하는 방법은 무엇입니까? 이 문제를 해결하면 설정한 문제를 해결할 수 있습니다.
동료 여러분, 질문은 지부의 주제가 아닙니다. 이제 TS에서 신경망 (NN)을 사용할 수 있는지에 대해 약간의 관심을 보일 것입니다. 대답해 주세요. TS를 최적화하기 위해 기존의 열거를 사용하는 것이 기술적인 이유로 정당화되지 않는 경우(심지어 유전 알고리즘을 사용하는 경우에도) NN을 사용하는 것이 충분히 많은 수의 입력 매개변수로 정당화된다는 것을 올바르게 이해하고 있습니까? 작업 과정에서 스스로 학습하는 신경망의 능력을 강조할 수도 있지만, 이 문제는 기존의 논리 구조에 대한 자동 최적화 절차를 사용하여 해결하는 것이 어렵지 않습니다.
"기존 논리 구성의 자동 최적화 "가 무엇인지 모르지만 NN에 매료된 것은 매우 복잡한 의사 결정 논리를 구현하는 능력입니다. 매개변수가 많지 않은 경우에도 시스템의 위상 공간은 인간이 인식하기에는 너무 다차원적인 것으로 판명되었습니다. 접근 방식이 정확하고 선택한 추정값으로 위상 공간을 클러스터링할 수 있는 경우 클러스터의 위치와 모양은 매우 복잡한 토폴로지를 가질 수 있습니다. 의사 결정 논리를 설명하기 위해 어떻게든 시각화하거나 클래스 및 멤버십 기준을 맹목적으로 도입해야 합니다. NN은 (우리가 보는 바와 같이) 확률적 추정뿐만 아니라 이것에 훨씬 더 잘 대처합니다.
"확률 적 공명"주제에서 나는 내 작업을 레이아웃하면서 연구 된 FR에 대해 질문했습니다. 그에게 대답할 수 있는 것은 아무것도 없었다. 그리고 시도는 단 세 번이었다. 그러나 이것은 감마 분포라는 잘 알려지고 연구된 함수의 특별한 경우임이 밝혀졌습니다. 베이지안 통계에 관한 책을 읽다가 우연히 이것을 발견했습니다.
나는 스스로를 통계학자라고 생각하지 않지만, 여기에 a.e. 그래프가 있습니다. 이러한 분포. 공식을 올바르게 이해하면 분포가 Rayleigh-Rice 분포일 가능성이 높지만 감마는 아닙니다.
감마 분포에는 하나의 매개변수가 있습니다. 값에 따라 Rayleigh 분포와 유사한 형식을 포함하여 다른 형식을 가질 수 있습니다. 동시에 큰 x에서의 통계적 특성과 행동은 다를 것입니다.
어떤 배포판이 "필요한지" 모르겠습니다. 그런 물음이 한 번에 떠올랐고 시간이 지나서야 답을 찾았을 뿐입니다. FR로 무엇을 할 것인가 - 그것이 질문입니다. 그것이 해결되었을 때만 분포 함수의 형태에 대한 다음 질문이 떠오를 것입니다. 그 때이 모든 신사 세트로 돌아갈 수있을 것입니다.
흥미롭군요, Yurixx . 우리가 시장에 접근할 수 있는 수준으로 인해 우리는 현상학적 설명의 최대 수준에 도달할 수밖에 없는 것 같습니다. 대략적으로 말하면, 고전적인 열역학이 아니라 통계에 관한 것입니다. 그리고 클래식이 잘 작동하지 않습니까? 프레임워크 내에서 엔트로피 또는 온도가 무엇인지 잘 이해하지 못하더라도 여전히 작동하며 동시에 매우 잘 작동합니다.
클래식은 잘 작동합니다. 그러나 그것이 작동하기 전, 그리고 탄생하기 전에 머리가 세 개인 용 Charles-Boyle-Mariotte는 열심히 일했고 그가 현상학적으로 추론한 법칙은 Mendeleev-Clapeyron 방정식의 특별한 경우로 밝혀졌습니다. 즉, 현상학에서 실제 패턴의 식별로 상승하는 것이 가능했습니다. 그리고 이것이 사실이 아니라면, 고전 열역학에서 일반적으로 무엇이 될까요?
그리고 우리가 순전히 실용적인 목표를 설정하는 한, 즉 차량을 만들고 반죽을 줄이는 한에서만 현상학적 설명을 하게 될 운명입니다. 그리고 밝은 머리를 가진 사람이 상업 이익에서 산만하고 시장에 대한 심층 연구에 시간을 할애하면 도구, 데이터 등 흥미로운 발견에 필요한 모든 것을 갖게 될 것입니다. 필요하지만 충분하지 않은... :-)
상단에 있지만 어디에 써야할지 모르겠습니다. 틀리지 않았다면 기네스북에 연간 1200%라는 기록을 세웠다. 래리 울리암시아 http://web-investor.academ.org/index.php?action=articles&id=71
"확률적 공명"이라는 주제에서 나는 내 작업을 배치하면서 조사된 FR에 대해 질문했습니다. 그에게 대답할 수 있는 것은 아무것도 없었다. 그리고 시도는 단 세 번이었다. 그러나 이것은 감마 분포라는 잘 알려지고 연구된 함수의 특별한 경우임이 밝혀졌습니다. 베이지안 통계에 관한 책을 읽다가 우연히 이것을 발견했습니다.
나는 스스로를 통계학자라고 생각하지 않지만, 여기에 a.e. 그래프가 있습니다. 이러한 분포. 공식을 올바르게 이해하면 분포가 Rayleigh-Rice 분포일 가능성이 높지만 감마는 아닙니다.
제곱(x^2+y^2) a.e. 이 값은 Rayleigh 분포 법칙 , 레이더에서 매우 자주 사용됩니다. 이것은 푸리에 급수(x는 실수 성분, y는 허수 성분)로 확장될 때 잡음 진폭이 분포되는 방식입니다. 이 값의 제곱은 신호의 에너지와 밀접하게 관련된 로그 정규 분포입니다. Rayleigh 분포는 실제로 뚱뚱한 꼬리가 있는 Rayleigh-Rice 분포의 특별한 경우입니다.
PS 필요한 경우 필요한 페이지를 스캔하여 보내드릴 수 있지만 다음 주에만 가능합니다. 연락을 주시거나 좌표를 남겨주시면 도와드리겠습니다. 이러한 모든 분포는 Levin B.R. 통계 무선 공학의 이론적 기초. - M.: 라디오 및 통신, 1989.
저는 Skype -> privalov-sv를 가장 자주 사용합니다.
matcad 파일을 첨부합니다. 모두 빌드되고 특성 + 모델링 방법이 있는 곳입니다.
안녕 동료들.
n차 AR 모델을 사용하여 통화 시리즈 의 틱 기록을 질적으로 모델링 하려는 시도를 멈추지 않습니다. 원래 VR의 첫 번째 차이 X[i]=Y[i]-Y[i-1]의 시리즈가 직접 모델링되었음을 상기시켜 드리겠습니다. 여기서 a[i]는 자기회귀 계수이고 시그마는 어떻게든 분포 확률 변수.
화폐 계열의 1차 차액의 FA와 모델 계열의 1차 차액의 FA가 AR 모델에서 확률변수(시그마)의 FA를 통해 어떻게 연결될 수 있다고 생각하십니까?
문제에는 해결책이 있습니다. 펜으로 "필요한" 시그마 분포 법칙을 선택할 수 있지만 이것은 지루한 절차입니다! Yurixx, 그러한 설정의 문제가 당신에게 약간의 관심을 끄는 것 같습니다. 긍정적인 결과의 경우 변동성 측면에서 생성기와 동일한 VR을 구성하고 틱(다른 시간 프레임의 막대) 간의 연결을 유지하기 위한 알고리즘을 손에 넣을 수 있습니다. TS의 대표 테스트에 필요합니다.
FA 약어? plz 해독. 자기회귀 함수 X[i]입니까?
FA 약어? plz 해독. 자기회귀 함수 X[i]입니까?
오! 죄송합니다. 모든 곳에서 FA 대신 FR을 읽어야 합니다.
AR 모델에서 화폐 시리즈의 첫 번째 차이의 RF와 모델 시리즈의 첫 번째 차이의 RF가 어떻게 연결될 수 있다고 생각합니까?
문제에는 해결책이 있습니다. 펜으로 "필요한" 시그마 분포 법칙을 선택할 수 있지만 이것은 지루한 절차입니다!
음, 시그마가 모델 시리즈의 DF를 통화 시리즈의 DF로 이끌어야 한다는 가정에서 진행하면 시그마의 DF는 모델 X와 실제 Y의 두 CV 차이의 DF로 구축되어야 합니다. 그러나 시그마는 X의 형성에 참여하고 X의 전체 무작위성은 시그마로 결정되기 때문에 바로 말하기는 어렵습니다.
반대로 시도할 수도 있습니다. Xi+1=Xi + 시그마이고 시그마의 DF를 알고 있는 경우 분포 X를 구축하는 방법은 무엇입니까? 이 문제를 해결하면 설정한 문제를 해결할 수 있습니다.
이것이 어떻게 구현될 수 있는지는 아직 명확하지 않습니다.
동료 여러분, 질문은 지부의 주제가 아닙니다. 이제 TS에서 신경망 (NN)을 사용할 수 있는지에 대해 약간의 관심을 보일 것입니다. 대답해 주세요. TS를 최적화하기 위해 기존의 열거를 사용하는 것이 기술적인 이유로 정당화되지 않는 경우(심지어 유전 알고리즘을 사용하는 경우에도) NN을 사용하는 것이 충분히 많은 수의 입력 매개변수로 정당화된다는 것을 올바르게 이해하고 있습니까? 작업 과정에서 스스로 학습하는 신경망의 능력을 강조할 수도 있지만, 이 문제는 기존의 논리 구조에 대한 자동 최적화 절차를 사용하여 해결하는 것이 어렵지 않습니다.
맞다고 생각하지만 그게 다가 아니라는 생각도 듭니다.
"기존 논리 구성의 자동 최적화 "가 무엇인지 모르지만 NN에 매료된 것은 매우 복잡한 의사 결정 논리를 구현하는 능력입니다. 매개변수가 많지 않은 경우에도 시스템의 위상 공간은 인간이 인식하기에는 너무 다차원적인 것으로 판명되었습니다. 접근 방식이 정확하고 선택한 추정값으로 위상 공간을 클러스터링할 수 있는 경우 클러스터의 위치와 모양은 매우 복잡한 토폴로지를 가질 수 있습니다. 의사 결정 논리를 설명하기 위해 어떻게든 시각화하거나 클래스 및 멤버십 기준을 맹목적으로 도입해야 합니다. NN은 (우리가 보는 바와 같이) 확률적 추정뿐만 아니라 이것에 훨씬 더 잘 대처합니다.
"확률 적 공명"주제에서 나는 내 작업을 레이아웃하면서 연구 된 FR에 대해 질문했습니다. 그에게 대답할 수 있는 것은 아무것도 없었다. 그리고 시도는 단 세 번이었다. 그러나 이것은 감마 분포라는 잘 알려지고 연구된 함수의 특별한 경우임이 밝혀졌습니다. 베이지안 통계에 관한 책을 읽다가 우연히 이것을 발견했습니다.
나는 스스로를 통계학자라고 생각하지 않지만, 여기에 a.e. 그래프가 있습니다. 이러한 분포. 공식을 올바르게 이해하면 분포가 Rayleigh-Rice 분포일 가능성이 높지만 감마는 아닙니다.
감마 분포에는 하나의 매개변수가 있습니다. 값에 따라 Rayleigh 분포와 유사한 형식을 포함하여 다른 형식을 가질 수 있습니다. 동시에 큰 x에서의 통계적 특성과 행동은 다를 것입니다.
어떤 배포판이 "필요한지" 모르겠습니다. 그런 물음이 한 번에 떠올랐고 시간이 지나서야 답을 찾았을 뿐입니다. FR로 무엇을 할 것인가 - 그것이 질문입니다. 그것이 해결되었을 때만 분포 함수의 형태에 대한 다음 질문이 떠오를 것입니다. 그 때이 모든 신사 세트로 돌아갈 수있을 것입니다.