저것들. 가장 수익성 있는 시스템을 만들 수 있습니다. 그리고 개발 중인 방법은 사용 가능한 기록에서 추적할 수 있는 모든 규칙성을 사용합니다.
대담하게!
오 글쎄. 제가 6병동 환자로 보이나요?
분명히, 이 방법이나 다른 방법을 사용하여 통합 확률 변수(즉, 준 무작위가 아닌 무작위)의 역학을 예측하면 0이 됩니다! 정의에 따르면 임의의 과정을 이길 수는 없습니다. 이것이 자연의 법칙입니다. 반면에 가격 유형의 시계열(TS)은 완전히 무작위가 아니며 명백하고 숨겨진 패턴을 가지고 있어 Forex 시장에서 통계적으로 신뢰할 수 있는 수익을 얻을 수 있습니다. 따라서 이러한 약한 패턴을 식별하는 방법과 도구가 필요합니다. 그러한 방법 중 하나는 견적에 이동 평균을 적용하는 것입니다. 이 방법은 수학적 관점에서 그 작업이 정당하고 정확한 적용 가능성 영역이 잘 정의되어 있습니다. 기본적으로 모든 이동 평균은 원래 VR의 통합 형태입니다. 가장 일반적인 의미에서 통합은 추세에 따른 미래 예측이고 차별화는 프로세스 추세를 결정하는 것입니다. 그러나 추세는 정확히 무엇입니까? 연결을 자세히 보면
시리즈 예측에서 VR-MA-확장, 그러면 MA 방법의 적용 가능성 요구 사항을 VR의 첫 번째 차이의 시리즈에서 인접한 판독값 간의 양의 상관 계수로 정의하는 것은 어렵지 않습니다. 이 경우 Mashki는 수익성 있는 전략을 제공하고 Masha는 가능한 한 최고의 이익을 제공할 것입니다! 이것이 우리가 싸우는 것입니다.
그러나 위의 요구 사항을 준수하기 위해 가격 VR을 분석하면 분석 결과는 다소 부정적입니다. 실제로, 현실은 모든 시간대의 가격 계열이 일반적으로 첫 번째 차이 계열에서 작은 음의 자기상관 계수를 가지며 때때로 추세에서 이 계수가 양수인 것과 같습니다.
제안된 방법의 적용 가능성과 효과는 실험 결과로만 판단할 수 있습니다.
Vinin 작성>> 모두가 Bulashov에 가고 싶어합니다. 이상적인 기계의 공식은 그곳에서도 거의 같았습니다. 그러나 그것은 결국 DEMA에서 밝혀졌습니다.
DEMA가 아니라 MEMA와 그 기능에는 TS의 수익성을 극대화하는 구성원이 없었지만 2차 파생상품을 최소화하는 구성원이 있었습니다. 이것은 매우 부드러운 Mashka를 구성하는 것을 가능하게 했고 그게 전부입니다. 그리고 Bulashov의 기사는 다음과 같습니다.
Mashek 대신 NK 방법을 사용하여 거듭제곱 다항식으로 보간을 사용합니다. 어떤 창에서. 보간 곡률의 외삽이 작은 미래 동네에서도 거의 무의미하지만 현재를 설명하기 위해 가장 흥미로운 장소의 상태 - BP의 오른쪽 가장자리에서 허용합니다. 동시에 창의 크기와 곡률 정도를 변경하여 일반적으로 또는 그 반대로, 현재 상황을 강조하여 무슨 일이 일어나고 있는지 자세히 고려하십시오. 프로세스 및 단계.
내 생각에 VR의 미래를 예측하는 것은 분석을 통해서만 가능합니다. 프로세스의 진화 - 현재 상태에서 강한 하락의 프로세스가 있었던 것과 같습니다. 측면 과정으로 대체 -> 성장 과정이 가능합니다.
제 생각에 이 접근 방식은 NN이 할 수 있기 때문에 네트워크 사용자에게 특히 유용합니다. 보간 곡선의 몇 가지 일반적인 특성을 제공하고, 예: 추세 구성 요소(방향 및 크기), 편차 추세 구성 요소, 곡선의 형식화된 형태 등 - 얼마예요 환상이면 충분합니다 - 현재를 강조 표시하고 예측하도록 그리드를 가르칩니다. 향후 프로세스 및 이를 기반으로 거래 전략을 구축합니다.
다른 방법으로 먼 과거와 가까운 과거를 부드럽게 할 수도 있습니다. EMA와 유사합니다. 종합적인 접근 방식을 구현하는 것이 가능합니다. - 강한 평활화와 함께 이동 평균을 사용하고 그에 따라 큰 지연되지만 이동 평균이 아직 작동하지 않는 가까운 과거, 보간 곡선으로 분석합니다.
내 생각에 이 접근 방식은 NN이 할 수 있기 때문에 네트워크 사용자에게 특히 유용합니다. 보간 곡선의 몇 가지 일반적인 특성을 제공하고, 예: 추세 구성 요소(방향 및 크기), 편차 추세 구성 요소, 곡선의 형식화된 형태 등 - 얼마예요 환상이면 충분합니다 - 현재를 강조 표시하고 예측하도록 그리드를 가르칩니다. 향후 프로세스 및 이를 기반으로 거래 전략을 구축합니다.
제 생각에는 이런 종류의 NN에 대한 입력 데이터 전처리는 일종의 목발입니다. 움직임의 도움으로 원래의 VR을 통합하여 우선 가격 책정 그림을 시각적으로 만듭니다(매끄러운 곡선, 추세가 표시됨). 평활화 프로세스 자체는 입력 데이터에 추가 정보를 추가하지 않습니다. 어디에서나) 따라서 신경망의 작업을 용이하게 하지 않습니다. 이러한 관점에서, 특별히 준비된 데이터는 NN의 입력에 공급되어야 하며, 이는 네트워크의 주의를 준정상 프로세스에 최대한 집중시킵니다. 이러한 프로세스의 후보는 RPR의 음의 상관 계수일 수 있으며, 이는 인용의 적분(평활화)으로 구별할 수 없습니다. 여기에 다른 방법과 접근 방식이 필요합니다. 이것은 유망해 보인다.
다른 방법으로 먼 과거와 가까운 과거를 부드럽게 할 수도 있습니다. EMA와 유사합니다. 종합적인 접근 방식을 구현하는 것이 가능합니다. - 강한 평활화와 함께 이동 평균을 사용하고 그에 따라 큰 지연되지만 이동 평균이 아직 작동하지 않는 가까운 과거, 보간 곡선으로 분석합니다.
이 모든 것이 복잡하고 정당한 이유가 필요하기 때문에 갑자기 하는 일은 거의 확실히 시간과 노력의 낭비입니다.
예를 들어 M1에 원래 VR의 특정 샘플이 있다고 가정합니다. 일련의 첫 번째 차이 d1[i]=Open[i]-Open[i-1]을 만든 다음 인접한 판독값 간의 TF=1m에 대한 상관 계수는 다음과 같이 고려됩니다. f1=SUM(d1[i]*d1[i-1])/SUM(d1[i]^2), 여기서 인덱스는 모든 VR 값을 실행합니다. TF=2m에 대해, 우리는 이전에 2m에 대한 VR을 구성하고 첫 번째 차이 d2[i] 등을 찾은 유사한 방식으로 진행합니다. 원하는 TF에 나는 자신을 TF = 1500분(약 하루)으로 제한했습니다. 예를 들어 M2의 경우 몇 분 안에 또 다른 TF를 구축하는 방법에 대한 질문이 발생할 수 있지만 여기서는 모든 것이 투명해 보입니다. 이 데이터(다양한 TF에 대한 RPR의 상관 계수 값)는 이전 게시물에서 그래프로 제시한 것입니다.
예를 들어 M1에 원래 VR의 특정 샘플이 있다고 가정합니다. 일련의 첫 번째 차이 d1[i]=Open[i]-Open[i-1]을 만든 다음 인접한 판독값 간의 TF=1m에 대한 상관 계수 는 다음과 같이 고려됩니다. f1=SUM(d1[i]*d1[i-1])/SUM(d1[i]^2), 여기서 인덱스는 모든 VR 값을 실행합니다. TF=2m에 대해, 우리는 이전에 2m에 대한 VR을 구성하고 첫 번째 차이 d2[i] 등을 찾은 유사한 방식으로 진행합니다. 원하는 TF에 나는 자신을 TF = 1500분(약 하루)으로 제한했습니다. 예를 들어 M2의 경우 몇 분 안에 또 다른 TF를 구축하는 방법에 대한 질문이 발생할 수 있지만 여기서는 모든 것이 투명해 보입니다. 이 데이터(다양한 TF에 대한 RPR의 상관 계수 값)는 이전 게시물에서 그래프로 제시한 것입니다.
이상적인 MA, 그런 것 같습니다. '작가의 대화. 알렉산더 스미르노프.'
ANG3110 의 게시물 참조 2008-02-06 20:48
다시 그리면 무엇이 이상적입니까?
우리는 이력을 "모른 채" 이익을 극대화하고 인용문을 새로 읽은 것과 이전 값 X[i]-X[i-1]만 분석하면 됩니다. 그런 것 같습니다.
저것들. 가장 수익성 있는 시스템을 만들 수 있습니다. 그리고 개발 중인 방법은 사용 가능한 기록에서 추적할 수 있는 모든 규칙성을 사용합니다.
대담하게!
다시 그리면 무엇이 이상적입니까?
우리는 이야기를 가지고 그것에 이상적인 MA를 구축합니다. 이것은 노력해야 할 일입니다. 그리고 우리는 다시 그려지지 않고 이 곡선에서 최소 편차를 갖는 것을 찾고 있습니다. 이 같은
저것들. 가장 수익성 있는 시스템을 만들 수 있습니다. 그리고 개발 중인 방법은 사용 가능한 기록에서 추적할 수 있는 모든 규칙성을 사용합니다.
대담하게!
오 글쎄. 제가 6병동 환자로 보이나요?
분명히, 이 방법이나 다른 방법을 사용하여 통합 확률 변수(즉, 준 무작위가 아닌 무작위)의 역학을 예측하면 0이 됩니다! 정의에 따르면 임의의 과정을 이길 수는 없습니다. 이것이 자연의 법칙입니다. 반면에 가격 유형의 시계열(TS)은 완전히 무작위가 아니며 명백하고 숨겨진 패턴을 가지고 있어 Forex 시장에서 통계적으로 신뢰할 수 있는 수익을 얻을 수 있습니다. 따라서 이러한 약한 패턴을 식별하는 방법과 도구가 필요합니다. 그러한 방법 중 하나는 견적에 이동 평균을 적용하는 것입니다. 이 방법은 수학적 관점에서 그 작업이 정당하고 정확한 적용 가능성 영역이 잘 정의되어 있습니다. 기본적으로 모든 이동 평균은 원래 VR의 통합 형태입니다. 가장 일반적인 의미에서 통합은 추세에 따른 미래 예측이고 차별화는 프로세스 추세를 결정하는 것입니다. 그러나 추세는 정확히 무엇입니까? 연결을 자세히 보면
시리즈 예측에서 VR-MA-확장, 그러면 MA 방법의 적용 가능성 요구 사항을 VR의 첫 번째 차이의 시리즈에서 인접한 판독값 간의 양의 상관 계수로 정의하는 것은 어렵지 않습니다. 이 경우 Mashki는 수익성 있는 전략을 제공하고 Masha는 가능한 한 최고의 이익을 제공할 것입니다! 이것이 우리가 싸우는 것입니다.
그러나 위의 요구 사항을 준수하기 위해 가격 VR을 분석하면 분석 결과는 다소 부정적입니다. 실제로, 현실은 모든 시간대의 가격 계열이 일반적으로 첫 번째 차이 계열에서 작은 음의 자기상관 계수를 가지며 때때로 추세에서 이 계수가 양수인 것과 같습니다.
제안된 방법의 적용 가능성과 효과는 실험 결과로만 판단할 수 있습니다.
모두가 Bulashov에 가고 싶어합니다. 이상적인 기계의 공식은 그곳에서도 거의 같았습니다. 그러나 그것은 결국 DEMA에서 밝혀졌습니다.
Mashek 대신 NK 방법을 사용하여 거듭제곱 다항식으로 보간을 사용합니다.
어떤 창에서. 보간 곡률의 외삽이
작은 미래 동네에서도 거의 무의미하지만 현재를 설명하기 위해
가장 흥미로운 장소의 상태 - BP의 오른쪽 가장자리에서 허용합니다.
동시에 창의 크기와 곡률 정도를 변경하여
일반적으로 또는 그 반대로, 현재 상황을 강조하여 무슨 일이 일어나고 있는지 자세히 고려하십시오.
프로세스 및 단계.
내 생각에 VR의 미래를 예측하는 것은 분석을 통해서만 가능합니다.
프로세스의 진화 - 현재 상태에서 강한 하락의 프로세스가 있었던 것과 같습니다.
측면 과정으로 대체 -> 성장 과정이 가능합니다.
제 생각에 이 접근 방식은 NN이 할 수 있기 때문에 네트워크 사용자에게 특히 유용합니다.
보간 곡선의 몇 가지 일반적인 특성을 제공하고,
예: 추세 구성 요소(방향 및 크기), 편차
추세 구성 요소, 곡선의 형식화된 형태 등 - 얼마예요
환상이면 충분합니다 - 현재를 강조 표시하고 예측하도록 그리드를 가르칩니다.
향후 프로세스 및 이를 기반으로 거래 전략을 구축합니다.
다른 방법으로 먼 과거와 가까운 과거를 부드럽게 할 수도 있습니다.
EMA와 유사합니다. 종합적인 접근 방식을 구현하는 것이 가능합니다.
- 강한 평활화와 함께 이동 평균을 사용하고 그에 따라 큰
지연되지만 이동 평균이 아직 작동하지 않는 가까운 과거,
보간 곡선으로 분석합니다.
내 생각에 이 접근 방식은 NN이 할 수 있기 때문에 네트워크 사용자에게 특히 유용합니다.
보간 곡선의 몇 가지 일반적인 특성을 제공하고,
예: 추세 구성 요소(방향 및 크기), 편차
추세 구성 요소, 곡선의 형식화된 형태 등 - 얼마예요
환상이면 충분합니다 - 현재를 강조 표시하고 예측하도록 그리드를 가르칩니다.
향후 프로세스 및 이를 기반으로 거래 전략을 구축합니다.
제 생각에는 이런 종류의 NN에 대한 입력 데이터 전처리는 일종의 목발입니다. 움직임의 도움으로 원래의 VR을 통합하여 우선 가격 책정 그림을 시각적으로 만듭니다(매끄러운 곡선, 추세가 표시됨). 평활화 프로세스 자체는 입력 데이터에 추가 정보를 추가하지 않습니다. 어디에서나) 따라서 신경망의 작업을 용이하게 하지 않습니다. 이러한 관점에서, 특별히 준비된 데이터는 NN의 입력에 공급되어야 하며, 이는 네트워크의 주의를 준정상 프로세스에 최대한 집중시킵니다. 이러한 프로세스의 후보는 RPR의 음의 상관 계수일 수 있으며, 이는 인용의 적분(평활화)으로 구별할 수 없습니다. 여기에 다른 방법과 접근 방식이 필요합니다. 이것은 유망해 보인다.
다른 방법으로 먼 과거와 가까운 과거를 부드럽게 할 수도 있습니다.
EMA와 유사합니다. 종합적인 접근 방식을 구현하는 것이 가능합니다.
- 강한 평활화와 함께 이동 평균을 사용하고 그에 따라 큰
지연되지만 이동 평균이 아직 작동하지 않는 가까운 과거,
보간 곡선으로 분석합니다.
이 모든 것이 복잡하고 정당한 이유가 필요하기 때문에 갑자기 하는 일은 거의 확실히 시간과 노력의 낭비입니다.
... 모든 시간대의 가격 계열은 일반적으로 첫 번째 차이 계열에서 작은 음의 자기상관 계수를 가지며 때로는 추세에서 이 계수가 양수입니다.
예를 들어 M1에 원래 VR의 특정 샘플이 있다고 가정합니다. 일련의 첫 번째 차이 d1[i]=Open[i]-Open[i-1]을 만든 다음 인접한 판독값 간의 TF=1m에 대한 상관 계수는 다음과 같이 고려됩니다. f1=SUM(d1[i]*d1[i-1])/SUM(d1[i]^2), 여기서 인덱스는 모든 VR 값을 실행합니다. TF=2m에 대해, 우리는 이전에 2m에 대한 VR을 구성하고 첫 번째 차이 d2[i] 등을 찾은 유사한 방식으로 진행합니다. 원하는 TF에 나는 자신을 TF = 1500분(약 하루)으로 제한했습니다. 예를 들어 M2의 경우 몇 분 안에 또 다른 TF를 구축하는 방법에 대한 질문이 발생할 수 있지만 여기서는 모든 것이 투명해 보입니다. 이 데이터(다양한 TF에 대한 RPR의 상관 계수 값)는 이전 게시물에서 그래프로 제시한 것입니다.
예를 들어 M1에 원래 VR의 특정 샘플이 있다고 가정합니다. 일련의 첫 번째 차이 d1[i]=Open[i]-Open[i-1]을 만든 다음 인접한 판독값 간의 TF=1m에 대한 상관 계수 는 다음과 같이 고려됩니다. f1=SUM(d1[i]*d1[i-1])/SUM(d1[i]^2), 여기서 인덱스는 모든 VR 값을 실행합니다. TF=2m에 대해, 우리는 이전에 2m에 대한 VR을 구성하고 첫 번째 차이 d2[i] 등을 찾은 유사한 방식으로 진행합니다. 원하는 TF에 나는 자신을 TF = 1500분(약 하루)으로 제한했습니다. 예를 들어 M2의 경우 몇 분 안에 또 다른 TF를 구축하는 방법에 대한 질문이 발생할 수 있지만 여기서는 모든 것이 투명해 보입니다. 이 데이터(다양한 TF에 대한 RPR의 상관 계수 값)는 이전 게시물에서 그래프로 제시한 것입니다.
더 나은 방법) 이 공식은 무엇이며 어디서 얻습니까?
상관 계수가 어떻게 계산되는지 확인하십시오 https://ru.wikipedia.org/wiki/%D0%9A%D0%BE%D1%8D%D1%84%D1%84%D0%B8%D1%86%D0% B8 %D0%B5%D0%BD%D1%82_%D0%BA%D0%BE%D1%80%D1%80%D0%B5%D0%BB%D1%8F%D1%86%D0%B8% D0 %B8
상관 계수는 샘플 사이가 아니라 어레이 사이에서 계산됩니다. 다른 사람들이 당신이 말하는 것과 말하는 것, 생각하는 것을 이해할 수 있도록 정확한 표현을 해주세요.