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.
내가 당신을 올바르게 이해했다면 연구원은 "위상 공간 클러스터링"을 달성하기 위해 NN에 대한 입력 데이터를 준비해야 합니다. 이 경우 신경망은 입력 매개변수와 이들의 임의 조합의 다차원 위상 공간(FP)에서 "중요한" 영역을 독립적으로 선택하여 FP의 볼륨을 크게 줄이고 결과적으로 필요한 양을 계산. 그래서?
내가 당신을 올바르게 이해했다면 연구원은 "위상 공간 클러스터링"을 달성하기 위해 NN에 대한 입력 데이터를 준비해야 합니다. 이 경우 신경망은 입력 매개변수의 다차원 위상 공간(FP)과 임의 조합의 "중요한" 영역을 독립적으로 선택하여 FP의 양을 크게 줄이고 결과적으로 필요한 계산의 양을 줄입니다. . 그래서?
그런데 국회가 '훨씬 더 잘한다'는 '확률적 추정치'가 무엇인지 이해가 되지 않았다.
FP 클러스터링은 별도의 작업이며 Kohonenna 네트워크에 의해 수행됩니다. 이것은 학습 과정에서(교사 없이! 즉, 자가 학습) FP의 클러스터링을 생성하는 단일 계층 네트워크입니다. 그런 다음 클러스터의 분포를 설명하는 커널 함수가 이 데이터에 맞춰집니다. 그런 다음 (내가 이해하는 한) 가장 간단한 버전에서는 훈련이 필요하지 않은 확률적 네트워크가 구축되지만 단순히 베이지안 통계를 사용하여 새 샘플이 특정 클러스터에 속할 확률을 계산합니다. 우승 클러스터는 출구에서 발행됩니다. 이것은 가장 단순화된 다이어그램일 뿐입니다.
NN의 아키텍처, 입력 데이터를 준비하는 방법 및 학습 알고리즘은 모든 것이 기반으로 하는 세 가지 기둥입니다. 보시다시피 세 가지 구성 요소 각각에는 형식화할 수 없는 항목이 포함되어 있습니다. 내가 이해하는 한, 이것은 NS가 성공적으로 작동할 수 있도록 하는 생성자로부터 정확히 상속되는 것입니다. 음, 숫자 - 활성화 함수의 가중치 및 매개변수 - 이것은 응용 프로그램으로서 그렇습니다. 결국 모든 사람에게도 머리가 있지만 어떤 사람은 머리로 생각하고 다른 사람은 머리를 먹습니다. :-)
실례가 되지 않는다면 NA의 범위에 대해 질문드리겠습니다. 예를 들어, 나는 내 숫양 - Kagi 대형으로 돌릴 것입니다. 생성하는 지그재그(파란색 라인)와 트랜잭션 라인(빨간색)이 있습니다.
이론(Pastukhov의 논문)에 따르면 빨간색 선의 동작은 통계적으로 예측할 수 있으며 S=(H-휘발성-2)*H의 진폭으로 지그재그 모양일 가능성이 있습니다. 이것은 대표 샘플에 대한 전략의 평균 통계적 수익성입니다. 불행히도 예상 가치는 일반적으로 스프레드보다 작습니다. 그리고 이것이 시계열 분석의 통계적 방법이 이 경우에 우리에게 줄 수 있는 전부입니다.
다른 한편으로, 우리는 지그재그를 생성하는데, 일정 기간 동안의 수입(실제로 실현 불가능)은 주어진 분할 단계 H에 대해 가능한 최대이고, 수입은 예를 들어 다음과 같습니다. split H=spread는 일반적으로 모든 BP에 대해 가능한 최대값입니다. 지그재그를 예측할 수 있는 도구를 손에 넣을 수 있으면 좋겠습니다! 또는 적어도 통계적 방법(S)에 의해 주어진 것보다 더 높은 수익성으로 그러한 예측의 근본적인 가능성을 증명하기 위해.
이러한 공식의 문제가 NN을 사용한 분석에 적합하다는 것을 올바르게 이해하고 있습니까?
추신: 같은 거리의 지그재그(한 단계로)를 예측하는 것이 가장 좋은 선택인 것 같습니다. 첫째, 우리는 H 미만의 모든 가격 변동을 무시합니다. 둘째, 시간 척도와 관련된 차원을 제거합니다. 가격 변동만 거래하기 때문에 필요하지 않으며 이러한 변동이 발생한 기간은 포함되지 않습니다 첫 번째 근사치로서의 수익성.
지그재그를 예측할 수 있는 도구를 손에 넣을 수 있으면 좋겠습니다! 또는 적어도 통계적 방법(S)에 의해 주어진 것보다 더 높은 수익성으로 그러한 예측의 근본적인 가능성을 증명하기 위해.
이 공식의 문제가 NN을 사용한 분석에 적합하다는 것을 올바르게 이해하고 있습니까?
추신: 같은 거리의 지그재그(한 단계로)를 예측하는 것이 최선의 선택인 것 같습니다. 첫째, 우리는 H 미만의 모든 가격 변동을 무시합니다. 둘째, 시간 척도와 관련된 차원을 제거합니다. 가격 변동만 거래하기 때문에 필요하지 않으며 이러한 변동이 발생한 기간은 포함되지 않습니다 첫 번째 근사치로서의 수익성.
물론 이론적으로는 적합합니다. 하지만 실질적으로...
내가 온라인에서 읽은 것은 초보자를 위한 조언으로 가득 차 있습니다. 가격 행동을 예측하는 것은 비효율적입니다. 그리고 실제로 네트워크가 미래에 가격이 어떻게 움직일지 갑자기 알아내는 방법에 대해 생각한다면. 우리가 많은 뉴런을 채우고 많은 데이터를 제공했기 때문에? 이 점에서 나는 합리주의자이다. 이 지식은 공중에서 취한 것이 아니며 저절로 생기는 것도 아닙니다. 나는 세 마리의 고래에 대해 아무 것도 쓰지 않았습니다. 그리고 이 고래 외에도 고래가 어디서 왔는지가 훨씬 더 중요합니다. 바로 저자의 의도입니다. 이 아이디어에는 시장에 대한 중요한 정보를 포함할 수 있는 데이터와 형식, 이미 도출할 수 있는 다른 숫자를 얻기 위해 네트워크에서 처리하는 방법에 대한 아이디어가 있어야 합니다. 결정을 내리기 위한 의미 있는 결론, 그리고 마지막으로 이러한 숫자를 찾도록 네트워크를 훈련시키는 방법.
이러한 관점에서 볼 때 이 공식의 작업인 IMHO는 네트워크에 적합하지만 복잡하고 유망하지 않습니다. 진드기와 그 위에 구축된 지그재그는 모두 매우 유사한 분포를 가지며 지그재그를 예측하는 것은 가격 자체를 예측하는 것만큼 쉽습니다.
ZigZag는 네트워크 항목으로 사용하기에 정말 흥미롭지만 가격 패턴을 제시하는 가장 편리한 형태인 것 같습니다. 당신이 나에게 준 사이트에 대한 링크인 이 동일한 패턴은 매우 흥미로운 옵션이 될 수 있습니다. 그러나 동시에 네트워크는 가격을 예측하지 않고 시장 상태를 결정합니다. 이것은 약간 다른 접근 방식입니다. NN이 통계 출력을 위 또는 아래로 발행하는 것은 움직임을 예측하는 것보다 훨씬 더 현실적인 작업입니다. 그러나 이 옵션은 ZigZag와도 잘 어울립니다. 따라서 잠재 고객이 있으므로 해결할 수있는 방식으로 작업을 설정하기 만하면됩니다.
네, 흥미로운 그림입니다. 내가 올바르게 이해한다면 이것은 매개 변수가 H=10 인 kagi 파티션에 대한 것입니까? 그러나 첫 번째 게시물의 사진과의 특정 연결은 여전히 추적 가능합니다.
그런데 아이디어가 떠올랐습니다. 지그재그 예측을 위해 NN을 사용하는 것에 대해 당신이 옳았다고 생각합니다. kagi가 아니라 renko 대형이어야합니다. 이 경우 지그재그 패턴의 다소 명확한 공식화가 실제로 가능하며 결과적으로 이러한 패턴의 공간을 클러스터링하고 이 예측의 신뢰성에 대한 통계적 평가 와 함께 세그먼트 크기를 예측합니다. 나는 이 생각에 대한 당신의 평가에 관심이 있습니다. 가장 중요한 것은 kagi와 renko의 차이점입니다. renko의 경우 패턴이 어떻게 형식화될 수 있는지, 따라서 패턴을 서로 비교하는 방법과 그 유사성을 평가하는 방법에 대한 명확한 아이디어가 있습니다. kaga의 경우 사진이 매우 흐릿하므로 동일한 절차가 작동하지 않을 수 있습니다.
한편, 나는 카기에게 진실한 것이 렌코에게도 진실일 것이라는 것을 선험적으로 알고 있습니다. 하지만 반대의 경우는 잘 모르겠습니다. 그 반대도 사실이라면 Renko에 대한 나의 기울기는 망상이며 NA는 Renko와 Kagi 모두의 지그재그 세그먼트 크기를 예측하는 데 사용될 수 있습니다.
한편으로 Kagi 구성은 VR 극한값의 위치를 최대 한 점(Renko - 분할 단계 H까지)의 정확도로 결정합니다. 반면에 그러한 정확성이 필요한지 여부가 불분명합니까? 그런 의미에서 Renko는 가격 규모에서 H의 등거리 이동으로 인해 더 매력적으로 보입니다. 요컨대, 질문에는 연구가 필요합니다.
지그재그 예측 작업의 형식화에 관해서는 현재 극값 t=0의 형성 끝점에서 끝점까지의 가격 움직임 U(빨간색 벡터)의 가능한 진폭의 추정치로 봅니다. 예상 극한값 t=1(그림 참조).
이 설정에서 우리가 예측해야 할 유일한 것은 벡터 U의 움직임의 진폭입니다. 그 방향은 이미 정해져 있습니다! - 벡터 H(녹색 실선 화살표)의 방향과 일치합니다. 벡터 U가 취할 수 있는 범위는 0점에서 무한대까지입니다(오른쪽 그림 참조). U 벡터가 취하는 진폭의 가장 가능성 있는 값은 2포인트이고 FD의 평균값은 H보다 약간 작습니다. 그런데 가능한 값이 스프레드보다 크면 양수에 대해 이야기할 수 있습니다. 전략의 수익성. 이것은 예를 들어 VR의 차익 거래를 분석하기 위해 FR을 사용할 수 있는 가능성에 대한 것입니다.
물론 국회의 출력에 지그재그를 제출해야 하지만, 입력에 무엇을 제출해야 하는지...역시 지그재그로 한 단계 이동? 하지만 이런 상황을 분석하기 위해 국회는 필요 없다! 저는 우리의 목표가 초기 차익 거래를 조기에 감지하는 것이라고 생각합니다(그림 참조). 이를 위해서는 이미 거래선의 부호 변화를 분석할 필요가 있다. 여기서 유일한 문제는 3개 미만의 꼬임이 보통 1~2개로 구성되며 식별 시점이 되면 시장이 유효해진다는 점이다. 차익거래의 출현에 대한 간접적인 징후가 있을 수 있으며 조기 발견, 분류 및 지속적인 현대화 작업은 국회에 딱 맞습니다.
무슨 말을 합니까?
인터넷에서 나는 다음과 같이 읽었습니다.
Что лучше, статистические методы или нейронные сети ? Лучшим ответом на этот сугубо практический для прикладника вопрос является “ It depends ”. По-русски это означает “ Все зависит от ситуации ”.
끌어낼 수 있는 주요 실용적인 결론은 이미 격언이 된 문구로 귀결됩니다. "다른 모든 방법이 실패하면 신경망을 사용해 보세요."
결정 논리를 설명하기 위해 어떻게든 시각화해야 합니다.
때로는 Voronov 다이어그램이 시각화에 도움이 되지만 X 및 Y 축을 따라 무엇을 그려야 하는지 이해하면 됩니다. 여기에 내가 그물에서 빠르게 파헤쳐 나온 것에 대한 설명이 포함된 예가 있습니다.
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.
내가 당신을 올바르게 이해했다면 연구원은 "위상 공간 클러스터링"을 달성하기 위해 NN에 대한 입력 데이터를 준비해야 합니다. 이 경우 신경망은 입력 매개변수와 이들의 임의 조합의 다차원 위상 공간(FP)에서 "중요한" 영역을 독립적으로 선택하여 FP의 볼륨을 크게 줄이고 결과적으로 필요한 양을 계산. 그래서?
그런데 국회가 '훨씬 더 잘한다'는 '확률적 추정치'가 무엇인지 이해가 되지 않았다.
때로는 Voronov 다이어그램이 시각화에 도움이 되지만 X 및 Y 축을 따라 무엇을 그릴지 이해하면 됩니다. 여기에 내가 그물에서 빠르게 파헤쳐 낸 것에 대한 설명이 포함된 예가 있습니다.
내가 그것에 대해 이야기하고 있지 않다면 정정하십시오. Voronov 다이어그램은 주어진 미분 방정식 클래스에 대해 경계 조건이 설정되는 공간 파티션의 최적(특정 의미에서) 경계를 보여줍니다. 그렇다면 이것이 논의 중인 주제와 어떤 관련이 있습니까?
중성자
FR N-변동성에 정말 죄송합니다. 아무 관련이 없습니다. 이것은 NN, 또는 오히려 인식 이론에 대한 것입니다. 다이어그램은 때때로 클래스와 클래스를 분류하는 방법을 시각적으로 나타내는 데 도움이 됩니다.
방금 질문을보고 도움을 주려고했습니다.
내가 당신을 올바르게 이해했다면 연구원은 "위상 공간 클러스터링"을 달성하기 위해 NN에 대한 입력 데이터를 준비해야 합니다. 이 경우 신경망은 입력 매개변수의 다차원 위상 공간(FP)과 임의 조합의 "중요한" 영역을 독립적으로 선택하여 FP의 양을 크게 줄이고 결과적으로 필요한 계산의 양을 줄입니다. . 그래서?
그런데 국회가 '훨씬 더 잘한다'는 '확률적 추정치'가 무엇인지 이해가 되지 않았다.
FP 클러스터링은 별도의 작업이며 Kohonenna 네트워크에 의해 수행됩니다. 이것은 학습 과정에서(교사 없이! 즉, 자가 학습) FP의 클러스터링을 생성하는 단일 계층 네트워크입니다. 그런 다음 클러스터의 분포를 설명하는 커널 함수가 이 데이터에 맞춰집니다. 그런 다음 (내가 이해하는 한) 가장 간단한 버전에서는 훈련이 필요하지 않은 확률적 네트워크가 구축되지만 단순히 베이지안 통계를 사용하여 새 샘플이 특정 클러스터에 속할 확률을 계산합니다. 우승 클러스터는 출구에서 발행됩니다. 이것은 가장 단순화된 다이어그램일 뿐입니다.
NN의 아키텍처, 입력 데이터를 준비하는 방법 및 학습 알고리즘은 모든 것이 기반으로 하는 세 가지 기둥입니다. 보시다시피 세 가지 구성 요소 각각에는 형식화할 수 없는 항목이 포함되어 있습니다. 내가 이해하는 한, 이것은 NS가 성공적으로 작동할 수 있도록 하는 생성자로부터 정확히 상속되는 것입니다. 음, 숫자 - 활성화 함수의 가중치 및 매개변수 - 이것은 응용 프로그램으로서 그렇습니다. 결국 모든 사람에게도 머리가 있지만 어떤 사람은 머리로 생각하고 다른 사람은 머리를 먹습니다. :-)
고마워, 유라. 좋은 대답!
실례가 되지 않는다면 NA의 범위에 대해 질문드리겠습니다. 예를 들어, 나는 내 숫양 - Kagi 대형으로 돌릴 것입니다. 생성하는 지그재그(파란색 라인)와 트랜잭션 라인(빨간색)이 있습니다.
이론(Pastukhov의 논문)에 따르면 빨간색 선의 동작은 통계적으로 예측할 수 있으며 S=(H-휘발성-2)*H의 진폭으로 지그재그 모양일 가능성이 있습니다. 이것은 대표 샘플에 대한 전략의 평균 통계적 수익성입니다. 불행히도 예상 가치는 일반적으로 스프레드보다 작습니다. 그리고 이것이 시계열 분석의 통계적 방법이 이 경우에 우리에게 줄 수 있는 전부입니다.
다른 한편으로, 우리는 지그재그를 생성하는데, 일정 기간 동안의 수입(실제로 실현 불가능)은 주어진 분할 단계 H에 대해 가능한 최대이고, 수입은 예를 들어 다음과 같습니다. split H=spread는 일반적으로 모든 BP에 대해 가능한 최대값입니다. 지그재그를 예측할 수 있는 도구를 손에 넣을 수 있으면 좋겠습니다! 또는 적어도 통계적 방법(S)에 의해 주어진 것보다 더 높은 수익성으로 그러한 예측의 근본적인 가능성을 증명하기 위해.
이러한 공식의 문제가 NN을 사용한 분석에 적합하다는 것을 올바르게 이해하고 있습니까?
추신: 같은 거리의 지그재그(한 단계로)를 예측하는 것이 가장 좋은 선택인 것 같습니다. 첫째, 우리는 H 미만의 모든 가격 변동을 무시합니다. 둘째, 시간 척도와 관련된 차원을 제거합니다. 가격 변동만 거래하기 때문에 필요하지 않으며 이러한 변동이 발생한 기간은 포함되지 않습니다 첫 번째 근사치로서의 수익성.
지그재그를 예측할 수 있는 도구를 손에 넣을 수 있으면 좋겠습니다! 또는 적어도 통계적 방법(S)에 의해 주어진 것보다 더 높은 수익성으로 그러한 예측의 근본적인 가능성을 증명하기 위해.
이 공식의 문제가 NN을 사용한 분석에 적합하다는 것을 올바르게 이해하고 있습니까?
추신: 같은 거리의 지그재그(한 단계로)를 예측하는 것이 최선의 선택인 것 같습니다. 첫째, 우리는 H 미만의 모든 가격 변동을 무시합니다. 둘째, 시간 척도와 관련된 차원을 제거합니다. 가격 변동만 거래하기 때문에 필요하지 않으며 이러한 변동이 발생한 기간은 포함되지 않습니다 첫 번째 근사치로서의 수익성.
물론 이론적으로는 적합합니다. 하지만 실질적으로...
내가 온라인에서 읽은 것은 초보자를 위한 조언으로 가득 차 있습니다. 가격 행동을 예측하는 것은 비효율적입니다. 그리고 실제로 네트워크가 미래에 가격이 어떻게 움직일지 갑자기 알아내는 방법에 대해 생각한다면. 우리가 많은 뉴런을 채우고 많은 데이터를 제공했기 때문에? 이 점에서 나는 합리주의자이다. 이 지식은 공중에서 취한 것이 아니며 저절로 생기는 것도 아닙니다. 나는 세 마리의 고래에 대해 아무 것도 쓰지 않았습니다. 그리고 이 고래 외에도 고래가 어디서 왔는지가 훨씬 더 중요합니다. 바로 저자의 의도입니다. 이 아이디어에는 시장에 대한 중요한 정보를 포함할 수 있는 데이터와 형식, 이미 도출할 수 있는 다른 숫자를 얻기 위해 네트워크에서 처리하는 방법에 대한 아이디어가 있어야 합니다. 결정을 내리기 위한 의미 있는 결론, 그리고 마지막으로 이러한 숫자를 찾도록 네트워크를 훈련시키는 방법.
이러한 관점에서 볼 때 이 공식의 작업인 IMHO는 네트워크에 적합하지만 복잡하고 유망하지 않습니다. 진드기와 그 위에 구축된 지그재그는 모두 매우 유사한 분포를 가지며 지그재그를 예측하는 것은 가격 자체를 예측하는 것만큼 쉽습니다.
ZigZag는 네트워크 항목으로 사용하기에 정말 흥미롭지만 가격 패턴을 제시하는 가장 편리한 형태인 것 같습니다. 당신이 나에게 준 사이트에 대한 링크인 이 동일한 패턴은 매우 흥미로운 옵션이 될 수 있습니다. 그러나 동시에 네트워크는 가격을 예측하지 않고 시장 상태를 결정합니다. 이것은 약간 다른 접근 방식입니다. NN이 통계 출력을 위 또는 아래로 발행하는 것은 움직임을 예측하는 것보다 훨씬 더 현실적인 작업입니다. 그러나 이 옵션은 ZigZag와도 잘 어울립니다. 따라서 잠재 고객이 있으므로 해결할 수있는 방식으로 작업을 설정하기 만하면됩니다.
이해하기 쉬운 설명을 해주셔서 감사합니다. 이제 머리가 조금 더 명확해졌습니다.
그건 그렇고 거래선(이전 그림의 빨간색)의 FD가 정규분포를 하고 있다고 확신해서 지금은 연구하고 싶지도 않았습니다. 내가 이것을 보고 놀랐던 것은:
동의합니다. 예기치 않은 결과가 ... 이 스레드의 첫 번째 게시물에 있는 그림과 비교됩니다. 지그재그 측면에 FR이 있습니다.
네, 흥미로운 그림입니다. 내가 올바르게 이해한다면 이것은 매개 변수가 H=10 인 kagi 파티션에 대한 것입니까? 그러나 첫 번째 게시물의 사진과의 특정 연결은 여전히 추적 가능합니다.
그런데 아이디어가 떠올랐습니다. 지그재그 예측을 위해 NN을 사용하는 것에 대해 당신이 옳았다고 생각합니다. kagi가 아니라 renko 대형이어야합니다. 이 경우 지그재그 패턴의 다소 명확한 공식화가 실제로 가능하며 결과적으로 이러한 패턴의 공간을 클러스터링하고 이 예측의 신뢰성에 대한 통계적 평가 와 함께 세그먼트 크기를 예측합니다. 나는 이 생각에 대한 당신의 평가에 관심이 있습니다. 가장 중요한 것은 kagi와 renko의 차이점입니다. renko의 경우 패턴이 어떻게 형식화될 수 있는지, 따라서 패턴을 서로 비교하는 방법과 그 유사성을 평가하는 방법에 대한 명확한 아이디어가 있습니다. kaga의 경우 사진이 매우 흐릿하므로 동일한 절차가 작동하지 않을 수 있습니다.
한편, 나는 카기에게 진실한 것이 렌코에게도 진실일 것이라는 것을 선험적으로 알고 있습니다. 하지만 반대의 경우는 잘 모르겠습니다. 그 반대도 사실이라면 Renko에 대한 나의 기울기는 망상이며 NA는 Renko와 Kagi 모두의 지그재그 세그먼트 크기를 예측하는 데 사용될 수 있습니다.
뭐라고 합니까?
한편으로 Kagi 구성은 VR 극한값의 위치를 최대 한 점(Renko - 분할 단계 H까지)의 정확도로 결정합니다. 반면에 그러한 정확성이 필요한지 여부가 불분명합니까? 그런 의미에서 Renko는 가격 규모에서 H의 등거리 이동으로 인해 더 매력적으로 보입니다. 요컨대, 질문에는 연구가 필요합니다.
지그재그 예측 작업의 형식화에 관해서는 현재 극값 t=0의 형성 끝점에서 끝점까지의 가격 움직임 U(빨간색 벡터)의 가능한 진폭의 추정치로 봅니다. 예상 극한값 t=1(그림 참조).
이 설정에서 우리가 예측해야 할 유일한 것은 벡터 U의 움직임의 진폭입니다. 그 방향은 이미 정해져 있습니다! - 벡터 H(녹색 실선 화살표)의 방향과 일치합니다. 벡터 U가 취할 수 있는 범위는 0점에서 무한대까지입니다(오른쪽 그림 참조). U 벡터가 취하는 진폭의 가장 가능성 있는 값은 2포인트이고 FD의 평균값은 H보다 약간 작습니다. 그런데 가능한 값이 스프레드보다 크면 양수에 대해 이야기할 수 있습니다. 전략의 수익성. 이것은 예를 들어 VR의 차익 거래를 분석하기 위해 FR을 사용할 수 있는 가능성에 대한 것입니다.
물론 국회의 출력에 지그재그를 제출해야 하지만, 입력에 무엇을 제출해야 하는지...역시 지그재그로 한 단계 이동? 하지만 이런 상황을 분석하기 위해 국회는 필요 없다! 저는 우리의 목표가 초기 차익 거래를 조기에 감지하는 것이라고 생각합니다(그림 참조). 이를 위해서는 이미 거래선의 부호 변화를 분석할 필요가 있다. 여기서 유일한 문제는 3개 미만의 꼬임이 보통 1~2개로 구성되며 식별 시점이 되면 시장이 유효해진다는 점이다. 차익거래의 출현에 대한 간접적인 징후가 있을 수 있으며 조기 발견, 분류 및 지속적인 현대화 작업은 국회에 딱 맞습니다.
무슨 말을 합니까?
인터넷에서 나는 다음과 같이 읽었습니다.
Что лучше, статистические методы или нейронные сети ? Лучшим ответом на этот сугубо практический для прикладника вопрос является “ It depends ”. По-русски это означает “ Все зависит от ситуации ”.
끌어낼 수 있는 주요 실용적인 결론은 이미 격언이 된 문구로 귀결됩니다. "다른 모든 방법이 실패하면 신경망을 사용해 보세요."