for(int i =1; i <=100; i ++){
HL = HL +(High[ i ]-Low[ i ])*(High[ i ]-Low[ i ]);//Эти значения умножаются друг на друга, //чтобы в случае если значение будет отрицательным
CO = CO +(Close[ i ]-Open[ i ])*(Close[ i ]-Open[ i ]);//при умножении оно стало положительным?}
우리는 원본 TS Open[i]의 첫 번째 차등 시리즈(RDS) Open[i]-Open[i+1]으로 작업합니다. RPR에 대한 기대치(평균)가 0임을 알 수 있습니다. 따라서 나는 "0"으로부터의 편차를 고려하므로 모순이 없으며 이 경우 표준 편차가 올바른 것으로 간주됩니다.
작은 자갈
글쎄, 아직 제로 바는 없습니다.Эти значения умножаются друг на друга, чтобы в случае если значение будет отрицательным
при умножении оно стало положительным?
아니오, 이것은 표준 편차를 찾기 위한 표준 수학적 절차입니다.
결과는 마지막 100개 막대 범위의 평균 값입니다.
평균이 아니라 RMS입니다.
이중 일 ( 이중 x ) ; // 이 줄은 무엇을 의미합니까?
서브루틴 함수 th 및 해당 인수 x 를 정의했습니다.
리턴 ( S ) ; // S는 무엇을 위해 계산되었습니까?
이것은 계산되어 메인 프로그램으로 반환되는 th 함수의 값이다.
더블 w0 = 1 . ; // 숫자 뒤의 점은 무엇을 의미합니까?
이것은 정수가 아닌 실수로 작업할 것임을 의미합니다.
작은 자갈
글쎄, 아직 제로 바는 없습니다.아니오, 이것은 표준 편차를 찾기 위한 표준 수학적 절차입니다.
표준편차를 다르게 생각하는 것 같습니다. 정의 자체에는 " 편차", 즉 평균과의 편차가 있습니다. 나는 평균 계산을 눈치 채지 못했다.
표준편차를 다르게 생각하는 것 같습니다.
우리는 원본 TS Open[i]의 첫 번째 차등 시리즈(RDS) Open[i]-Open[i+1]으로 작업합니다. RPR에 대한 기대치(평균)가 0임을 알 수 있습니다. 따라서 나는 "0"으로부터의 편차를 고려하므로 모순이 없으며 이 경우 표준 편차가 올바른 것으로 간주됩니다.
우리는 오리지널 VR Open[i]의 1차 차등 시리즈(RDS) Open[i]-Open[i+1]으로 작업합니다. RPR에 대한 기대치(평균)가 0임을 알 수 있습니다. 따라서 나는 "제로"로부터의 편차를 고려하고 모순이 없습니다.
High[i]-Low[i] 차이에 대해서는 그렇게 말하지 않을 것입니다. 제로일 가능성은 낮습니다.
High[i]-Low[i] 차이에 대해서는 그렇게 말하지 않을 것입니다. 드물게 0이 될 것입니다. 예, Open-Close는 0이 아닙니다.
정확히. 나는 달렸다!
우리는 RM-편차를 고려하지 않고 RMS 진폭을 고려합니다.
Vinin , 파헤쳐 보는 것이 좋습니다. Mashka에 대한 테스터를 갖자.
평균이 0이라는 가정이(여전히 0이 아닌 경우) r.s.d의 값을 어느 정도 왜곡하는지 조사하는 것은 흥미롭습니다.
그리고 기성품 템플릿을 가져 가면 모든 것이 명확 해집니다 (또는 그 반대의 경우도 마찬가지).