토론을 빨리 지원하지 못해서 죄송합니다. 포럼을 볼 시간이 전혀 없습니다. 조금 늦더라도 질문에 답하도록 하겠습니다.
중성자- " 예를 들어, 나에게 각 단계의 예측과 함께 한 단계 전진에 대한 예측은 관련이 있습니다. 이런 상황에서 국회는 아마 경쟁력이 없을 것”이라고 말했다.
나는 또한 이 개념을 고수하지만 NN이 최상의 결과를 제공한다고 주장하지는 않습니다. 예를 들어 Kohonen 지도의 예측(그림을 그리는 데 사용되지 않지만 모델이 기반으로 구축되는 경우)은 훨씬 더 NN보다 정확하고 부드럽습니다. 선형 회귀는 때때로 좋은 결과를 제공합니다. 예를 들어, 저는 LR과 NS의 공동 사용에 대한 사진을 제공할 수도 있습니다. 파란색 선은 표시기에 의해 생성된 원래 신호이고 빨간색과 노란색 선은 서로 다른 수평선을 가진 이 신호의 예측입니다. 아카이브에는 H4의 그림에 해당하는 파일이 포함되어 있으며 첫 번째 열의 데이터는 파란색 신호에 해당하고 두 번째 열은 노란색, 세 번째 열은 빨간색, 네 번째 열은 닫기입니다. 안타깝게도 지금은 클라우드 수익성 추정 방법을 다룰 시간이 없으며 관심이 있는 경우 이 파일을 기반으로 직접 이 계산을 수행할 수 있습니다.
나는 신호 소스로 내 자신의 표시기를 사용합니다(표준 또는 외국 표시기를 사용한 적이 없음). 내가 단순 지표라고 부르는 것은 다소 단순하지만.오히려 따옴표를 기반으로 신호를 모델링하는 시스템으로 피드백 및 자체 조정이 있는 블록에서 처리되고 이퀄라이저와 같은 여러 매개 변수를 조정하여 사용자가 원하는 모양의 신호를 생성할 수 있도록 하며, 물론 특정 제한이 있기 때문에. 결국, 인용의 실제 흐름을 기본으로 하고, 작업은 데이터의 정보 내용을 늘리고 가능한 경우 예측 모델을 사용하여 지연을 최소화하면서 필터링을 수행하는 것입니다.
시뮬레이션 블록은 인수의 그룹 고려 원칙을 사용합니다. GA로서 최고의 모델 중 하나가 아니라 그룹을 사용합니다. 최상의 신호가 아니더라도 시장은 변동성이 있으며 시간이 지남에 따라 최고가 아닌 일부가 최고가 되고 그 반대의 경우도 마찬가지입니다. 또한, 모델이 훈련되는 것과 관련하여 위상 및 진폭 모두에서 목적 함수의 전체 변화 범위를 포괄하는 신호의 최대 다양성을 얻으려고 노력합니다. 일반적으로 시스템은 LR 및 NN을 기반으로 하는 모델이 있는 분기의 노드에 계층적 트리 구조를 가지고 있습니다. LR 및 NN 훈련을 위한 입력 신호로 모델링에 사용된 스펙트럼의 예로서, 그림의 일부를 제공하고, 대상 신호는 검은색으로 그려지고(거의 보이지 않지만) 나머지는 모두 다양한 모델을 통과한 따옴표의 파생물입니다. .모델은 0 바에서 틱으로 계산되지만 모델의 복잡성으로 인해 모든 틱을 처리할 시간이 없지만 필수적인 것은 아닙니다. 새 바가 도착하면 값이 고정된 다음 변화. 모델에 도입되고 타임프레임에 해당하는 스케일링 계수를 사용하면 신호의 일정한 스케일, 위상 및 진폭 특성을 유지하면서 조정 없이 한 타임프레임에서 다른 타임프레임으로 전환할 수 있습니다.
첫 번째 예에서 제시된 결과는 고무적입니다. 저는 이전에 그런 검사를 한 적이 없으며 회귀 모델, 심지어 신경망까지도 재교육 없이 장기간 작업하는 동안 그렇게 안정적일 수 있다고 생각하지 않았습니다. 내 추정에 따르면, 달러는 미국 선거를 위해 인위적으로 지지되고 강화되었습니다. 이제 그것을 유지하기 위한 자원은 고갈되었고, 더욱이 위기는 더 이상의 강화를 가로막습니다. 따라서 저는 EURUSD가 더 이상 의미 있는 평가절하를 겪지 않을 것이라고 생각합니다.곧 다가올 선거 이후에 달러는 그다지 많지는 않지만 약간 떨어지기 시작할 것입니다. 위기로 인해 생산과 소비가 감소하고 유가가 하락하고 있습니다. 글로벌 금융 시스템이 위기에서 회복되면 달러의 더 큰 하락이 시작될 것이며, 이는 곧 아닐 것입니다. 그러나 현재로서는 환율 변동이 1.3~1.5 사이일 것이고 이것이 저를 격려하기 때문입니다. 나는 H4 데이터를 기반으로 이 시스템의 모든 LR 및 NS 모델을 훈련시켰고, 2005년 7월 18일부터 5000개의 막대를 가져왔고, 비율 변동 범위는 1.16에서 1.6까지였습니다. 중요한 것은 이러한 경계를 넘어서지 않을 것이며, 예에서 볼 수 있듯이 LR은 학습 범위에서 코스의 상당한 편차로 성공적으로 작동할 수 있습니다. H4 모델로 훈련을 진행했지만 모든 시간대에 적절하게 작동하기 때문에 이를 기반으로 구축된 시스템은 몇 년 동안 재훈련 없이도 안정적으로 유지될 것입니다.
따라서 Piligrimm , 우리는 초기 시계열(VR)을 가지고 있습니다. H4 닫기 가격(검은 점), 일부 알고리즘에 따라 초기 VR을 평활화하는 특정 이동 평균(파란색 선), 그리고 기반으로 구축된 여러 예측 값 서로 다른 HC 설정(빨간색 및 보라색 선)을 사용하여 각 H4 막대에 대해 한 단계 앞으로 나아가는 초기 VR에 대한 이동 평균 분석.
그래서 지금까지 알고리즘에 대해 나쁜 말을 할 것이 없습니다 ...
제시된 술어(또는 술어?)가 제공하는 예측 방향으로 각 H4 막대에서 위치를 열고 닫는 TS를 작성해 보겠습니다. 작업에는 선택한 시간 프레임에 대한 예측의 정확성과 VR의 변동성이 포함됩니다. 그런 다음 가로축을 따라 가격 증분을 점으로 표시하고 세로축을 따라 이 증분을 예측하면 예측 구름을 얻고 기울기 탄젠트를 사용하여 트랜잭션당 점수로 TS의 수익성을 추정합니다.
작성자가 데이터를 준비할 때 실수를 하지 않았다면 이 NS 알고리즘을 기반으로 하는 TS는 스프레드를 고려하여 EURUSD 쌍을 가져옵니다. 같은 시간에 -30 포인트. 저것들. 균형 선은 하루에 40포인트의 비율로 증가하고 +-100포인트의 진폭으로 이 선을 중심으로 늘어납니다. 추정된 적분 특성에서 구한 균형 곡선의 일반적인 모습은 그림 3에서 빨간색 선으로 표시됩니다. 아래에. 비교를 위해 파란색 선은 Piligrimm 에서 제공한 데이터에 따라 TS의 "공정한" 거래에 의해 구축된 균형 곡선을 보여줍니다.
결과는 잘 일치하여 예측 구름의 기울기로 ES의 수익성을 추정하기 위해 제안한 적분 방법의 적절성을 나타냅니다.
일반적으로 다음 가격 인상 예측이 이미 열려 있는 포지션의 방향과 일치하는 경우 TS가 오픈 포지션을 청산하지 않도록 함으로써 수익성을 크게 높일 수 있습니다.
작성자가 내가 제안한 형식으로 이 알고리즘을 사용하는 것을 막는 것은 없으며 모든 것이 정상입니다 :-)
매복은 다를 수 있습니다. 즉, 작성자는 암시적으로 열기, 높음, 낮음 또는 닫기를 사용하여 동일한 막대의 예측을 구축할 수 있습니다. 그러면 아무 소용이 없습니다! 저것들. 예를 들어 이미 형성된 막대의 높음 또는 낮음을 사용하여 "피핑"으로 예측을 작성합니다. 하지만 작가가 곧 우리의 두려움을 날려줄 것이라고 생각합니다.
결과는 잘 일치하여 예측 구름의 기울기로 ES의 수익성을 추정하기 위해 제안한 적분 방법의 적절성을 나타냅니다.
동의한다. 이것은 가치 있는 결과입니다. Neutron , 실제 적용을 위한 방법론에 대한 자세한 설명과 함께 기사 형식으로 방법을 정리하는 것이 좋을 것입니다. 이것이 "대중 사이"로 퍼지면서 표준이 될 수 있습니다. 동시에 TS 포지션을 여는 것은 다음 막대(평균 주문 수명과 동일한 간격)에서 수익성 있는 거래의 평균 크기에 대한 움직임의 예측으로 간주될 수 있으며, 그런 다음 이 기술을 보편적으로 만들 수 있습니다. 오늘날에는 차량을 평가하기 위한 그러한 지표가 분명히 부족하며, 이러한 의미에서 아이디어의 발전은 매우 일반적인 것 같습니다.
추신 또는 퍼지 등급 척도에서 오른쪽은 "진짜!", 왼쪽은 "젠장!"일 수 있습니다. :-)
아니, 당신은 나를 이해하지 못했습니다. 이 포럼에 업로드된 더 큰 이미지는 이 페이지에 맞게 압축됩니다. 그러나 마우스를 클릭하면 모든 영광으로 열립니다. :)
일어난!
저자가 어떻게 그가 그러한 아름다움을 얻었는지 말할 수 있다면 ... - 어떤 곳에서는 이동 평균이 애벌레보다 뒤처지지 않습니다.
토론을 빨리 지원하지 못해서 죄송합니다. 포럼을 볼 시간이 전혀 없습니다. 조금 늦더라도 질문에 답하도록 하겠습니다.
중성자 - " 예를 들어, 나에게 각 단계의 예측과 함께 한 단계 전진에 대한 예측은 관련이 있습니다. 이런 상황에서 국회는 아마 경쟁력이 없을 것”이라고 말했다.
나는 또한 이 개념을 고수하지만 NN이 최상의 결과를 제공한다고 주장하지는 않습니다. 예를 들어 Kohonen 지도의 예측(그림을 그리는 데 사용되지 않지만 모델이 기반으로 구축되는 경우)은 훨씬 더 NN보다 정확하고 부드럽습니다. 선형 회귀는 때때로 좋은 결과를 제공합니다. 예를 들어, 저는 LR과 NS의 공동 사용에 대한 사진을 제공할 수도 있습니다. 파란색 선은 표시기에 의해 생성된 원래 신호이고 빨간색과 노란색 선은 서로 다른 수평선을 가진 이 신호의 예측입니다. 아카이브에는 H4의 그림에 해당하는 파일이 포함되어 있으며 첫 번째 열의 데이터는 파란색 신호에 해당하고 두 번째 열은 노란색, 세 번째 열은 빨간색, 네 번째 열은 닫기입니다. 안타깝게도 지금은 클라우드 수익성 추정 방법을 다룰 시간이 없으며 관심이 있는 경우 이 파일을 기반으로 직접 이 계산을 수행할 수 있습니다.
나는 신호 소스로 내 자신의 표시기를 사용합니다(표준 또는 외국 표시기를 사용한 적이 없음). 내가 단순 지표라고 부르는 것은 다소 단순하지만. 오히려 따옴표를 기반으로 신호를 모델링하는 시스템으로 피드백 및 자체 조정이 있는 블록에서 처리되고 이퀄라이저와 같은 여러 매개 변수를 조정하여 사용자가 원하는 모양의 신호를 생성할 수 있도록 하며, 물론 특정 제한이 있기 때문에. 결국, 인용의 실제 흐름을 기본으로 하고, 작업은 데이터의 정보 내용을 늘리고 가능한 경우 예측 모델을 사용하여 지연을 최소화하면서 필터링을 수행하는 것입니다.
시뮬레이션 블록은 인수의 그룹 고려 원칙을 사용합니다. GA로서 최고의 모델 중 하나가 아니라 그룹을 사용합니다. 최상의 신호가 아니더라도 시장은 변동성이 있으며 시간이 지남에 따라 최고가 아닌 일부가 최고가 되고 그 반대의 경우도 마찬가지입니다. 또한, 모델이 훈련되는 것과 관련하여 위상 및 진폭 모두에서 목적 함수의 전체 변화 범위를 포괄하는 신호의 최대 다양성을 얻으려고 노력합니다. 일반적으로 시스템은 LR 및 NN을 기반으로 하는 모델이 있는 분기의 노드에 계층적 트리 구조를 가지고 있습니다. LR 및 NN 훈련을 위한 입력 신호로 모델링에 사용된 스펙트럼의 예로서, 그림의 일부를 제공하고, 대상 신호는 검은색으로 그려지고(거의 보이지 않지만) 나머지는 모두 다양한 모델을 통과한 따옴표의 파생물입니다. . 모델은 0 바에서 틱으로 계산되지만 모델의 복잡성으로 인해 모든 틱을 처리할 시간이 없지만 필수적인 것은 아닙니다. 새 바가 도착하면 값이 고정된 다음 변화. 모델에 도입되고 타임프레임에 해당하는 스케일링 계수를 사용하면 신호의 일정한 스케일, 위상 및 진폭 특성을 유지하면서 조정 없이 한 타임프레임에서 다른 타임프레임으로 전환할 수 있습니다.
첫 번째 예에서 제시된 결과는 고무적입니다. 저는 이전에 그런 검사를 한 적이 없으며 회귀 모델, 심지어 신경망까지도 재교육 없이 장기간 작업하는 동안 그렇게 안정적일 수 있다고 생각하지 않았습니다. 내 추정에 따르면, 달러는 미국 선거를 위해 인위적으로 지지되고 강화되었습니다. 이제 그것을 유지하기 위한 자원은 고갈되었고, 더욱이 위기는 더 이상의 강화를 가로막습니다. 따라서 저는 EURUSD 가 더 이상 의미 있는 평가절하를 겪지 않을 것이라고 생각합니다. 곧 다가올 선거 이후에 달러는 그다지 많지는 않지만 약간 떨어지기 시작할 것입니다. 위기로 인해 생산과 소비가 감소하고 유가가 하락하고 있습니다. 글로벌 금융 시스템이 위기에서 회복되면 달러의 더 큰 하락이 시작될 것이며, 이는 곧 아닐 것입니다. 그러나 현재로서는 환율 변동이 1.3~1.5 사이일 것이고 이것이 저를 격려하기 때문입니다. 나는 H4 데이터를 기반으로 이 시스템의 모든 LR 및 NS 모델을 훈련시켰고, 2005년 7월 18일부터 5000개의 막대를 가져왔고, 비율 변동 범위는 1.16에서 1.6까지였습니다. 중요한 것은 이러한 경계를 넘어서지 않을 것이며, 예에서 볼 수 있듯이 LR은 학습 범위에서 코스의 상당한 편차로 성공적으로 작동할 수 있습니다. H4 모델로 훈련을 진행했지만 모든 시간대에 적절하게 작동하기 때문에 이를 기반으로 구축된 시스템은 몇 년 동안 재훈련 없이도 안정적으로 유지될 것입니다.
토론을 빨리 지원하지 못해서 죄송합니다. 포럼을 볼 시간이 전혀 없습니다. 조금 늦더라도 질문에 답하도록 하겠습니다.
Piligrimm, 유익한 게시물과 특히 데이터 파일에 감사드립니다. 반성하고 분석하겠습니다. 곧 질문이 생길 것 같아요.
따라서 Piligrimm , 우리는 초기 시계열(VR)을 가지고 있습니다. H4 닫기 가격(검은 점), 일부 알고리즘에 따라 초기 VR을 평활화하는 특정 이동 평균(파란색 선), 그리고 기반으로 구축된 여러 예측 값 서로 다른 HC 설정(빨간색 및 보라색 선)을 사용하여 각 H4 막대에 대해 한 단계 앞으로 나아가는 초기 VR에 대한 이동 평균 분석.
그래서 지금까지 알고리즘에 대해 나쁜 말을 할 것이 없습니다 ...
제시된 술어(또는 술어?)가 제공하는 예측 방향으로 각 H4 막대에서 위치를 열고 닫는 TS를 작성해 보겠습니다. 작업에는 선택한 시간 프레임에 대한 예측의 정확성과 VR의 변동성이 포함됩니다. 그런 다음 가로축을 따라 가격 증분을 점으로 표시하고 세로축을 따라 이 증분을 예측하면 예측 구름을 얻고 기울기 탄젠트를 사용하여 트랜잭션당 점수로 TS의 수익성을 추정합니다.
30핍 상품의 변동성으로 회귀선의 수익률은 1.4핍/트랜잭션, Predict1 - 6.6핍/트랜잭션, Predict2 - 10.7핍/트랜잭션입니다.
작성자가 데이터를 준비할 때 실수를 하지 않았다면 이 NS 알고리즘을 기반으로 하는 TS는 스프레드를 고려하여 EURUSD 쌍을 가져옵니다. 같은 시간에 -30 포인트. 저것들. 균형 선은 하루에 40포인트의 비율로 증가하고 +-100포인트의 진폭으로 이 선을 중심으로 늘어납니다. 추정된 적분 특성에서 구한 균형 곡선의 일반적인 모습은 그림 3에서 빨간색 선으로 표시됩니다. 아래에. 비교를 위해 파란색 선은 Piligrimm 에서 제공한 데이터에 따라 TS의 "공정한" 거래에 의해 구축된 균형 곡선을 보여줍니다.
결과는 잘 일치하여 예측 구름의 기울기로 ES의 수익성을 추정하기 위해 제안한 적분 방법의 적절성을 나타냅니다.
일반적으로 다음 가격 인상 예측이 이미 열려 있는 포지션의 방향과 일치하는 경우 TS가 오픈 포지션을 청산하지 않도록 함으로써 수익성을 크게 높일 수 있습니다.
Piligrimm에서 구현한 알고리즘은 매우 훌륭합니다! 노력해야 할 것이 있습니다.
그러나 그것이 무엇이든 작동합니다!
작성자가 내가 제안한 형식으로 이 알고리즘을 사용하는 것을 막는 것은 없으며 모든 것이 정상입니다 :-)
매복은 다를 수 있습니다. 즉, 작성자는 암시적으로 열기, 높음, 낮음 또는 닫기를 사용하여 동일한 막대의 예측을 구축할 수 있습니다. 그러면 아무 소용이 없습니다! 저것들. 예를 들어 이미 형성된 막대의 높음 또는 낮음을 사용하여 "피핑"으로 예측을 작성합니다. 하지만 작가가 곧 우리의 두려움을 날려줄 것이라고 생각합니다.
결과는 잘 일치하여 예측 구름의 기울기로 ES의 수익성을 추정하기 위해 제안한 적분 방법의 적절성을 나타냅니다.
동의한다. 이것은 가치 있는 결과입니다. Neutron , 실제 적용을 위한 방법론에 대한 자세한 설명과 함께 기사 형식으로 방법을 정리하는 것이 좋을 것입니다. 이것이 "대중 사이"로 퍼지면서 표준이 될 수 있습니다. 동시에 TS 포지션을 여는 것은 다음 막대(평균 주문 수명과 동일한 간격)에서 수익성 있는 거래의 평균 크기에 대한 움직임의 예측으로 간주될 수 있으며, 그런 다음 이 기술을 보편적으로 만들 수 있습니다. 오늘날에는 차량을 평가하기 위한 그러한 지표가 분명히 부족하며, 이러한 의미에서 아이디어의 발전은 매우 일반적인 것 같습니다.
추신 또는 퍼지 등급 척도에서 오른쪽은 "진짜!", 왼쪽은 "젠장!"일 수 있습니다. :-)