따라서 고정 가격 VR을 고정 가격으로 변환하는 것이 시급하지만 역변환 가능성이 있습니다.
가장 원시적인 옵션. 우리는 가격을 VR로 추정합니다. 외삽. 외삽 VR과 실제 VR의 차이도 VR이지만 이미 고정되어 있습니다. 이것을 최신 VR 합성이라고 부르자.
우리는 합성 VR을 외삽합니다. 우리는 가격 BP의 외삽으로 요약합니다. 합성 VR이 백색 잡음이 아닌 경우 출력에서 예측값을 얻습니다. 두 가지 외삽법을 합한 결과입니다.
여기에 있는 모든 게시물을 읽기에는 너무 게을렀습니다. 그래서 나는 이미 나보다 먼저 물어봤을지도 모르는 질문을 하고 있다. 근사 기준은 무엇입니까? 테스트된 간격의 최소 평균 제곱 오차는 무엇입니까? 모델의 길이는 어떻게 선택합니까?
내가 내 질문을 이끄는 위치를 이해하려면 AR 모델을 예로 들어 보겠습니다. 이를 맞추기 위해 과거 데이터를 훈련 샘플로 나눕니다. 입력 및 출력. 선형 회귀, Burg 방법 또는 다른 선형 예측 방법을 사용하여 이 데이터에 모델을 맞춥니다. 이 AP 모델을 피팅한 후 과거 데이터에 대한 예측 오류(예: 피팅 중에 줄이기 위해 시도한 것과 동일한 오류)를 계산하고 다른 AP 모델을 일련의 오류 등에 피팅하도록 제안합니다. AR 모델의 길이는 근사 오차가 백색 잡음의 속성을 갖도록 선택해야 하기 때문에 의미가 거의 없습니다. 그렇지 않으면 짧은 모델이 있고 그 오류는 백색 잡음처럼 작동하지 않지만 예측 가능한 것입니다. 그러나 일련의 오류 아래 두 번째 모델을 입력한 다음 세 번째 모델을 입력하는 식입니다. 첫 번째 AR 모델의 차수(길이)를 늘린 것과 같은 결과를 가집니다.
근사 오류가 노이즈처럼 작동하기 시작할 때까지 모델의 길이를 늘리면서 첫 번째 모델을 단계적으로 구축하는 것이 더 정확합니다. 많은 책과 기사에서 이것에 대해 쓰여졌습니다.
여기의 모든 글을 읽기에는 너무 게을렀습니다. 그래서 나는 이미 나보다 먼저 물어봤을지도 모르는 질문을 하고 있다. 근사 기준은 무엇입니까? 테스트된 간격의 최소 평균 제곱 오차는 무엇입니까? 모델의 길이는 어떻게 선택합니까?
내가 내 질문을 이끄는 위치를 이해하려면 AR 모델을 예로 들어 보겠습니다. 이를 맞추기 위해 과거 데이터를 훈련 샘플로 나눕니다. 입력 및 출력. 선형 회귀, Burg 방법 또는 다른 선형 예측 방법을 사용하여 이 데이터에 모델을 맞춥니다. 이 AP 모델을 피팅한 후 과거 데이터에 대한 예측 오류(즉, 피팅 중에 줄이기 위해 시도한 것과 동일한 오류)를 계산하고 다른 AP 모델을 일련의 오류 등에 피팅하도록 제안합니다. AR 모델의 길이는 근사 오차가 백색 잡음의 속성을 갖도록 선택해야 하기 때문에 의미가 거의 없습니다. 그렇지 않으면 짧은 모델이 있고 그 오류는 백색 잡음처럼 작동하지 않지만 예측 가능한 것입니다. 그러나 일련의 오류 아래 두 번째 모델을 입력한 다음 세 번째 모델을 입력하는 식입니다. 첫 번째 AR 모델의 차수(길이)를 늘린 것과 같은 결과를 가집니다.
근사 오류가 노이즈처럼 작동하기 시작할 때까지 모델의 길이를 늘리면서 첫 번째 모델을 단계적으로 구축하는 것이 더 정확합니다. 많은 책과 기사에서 이것에 대해 쓰여졌습니다.
여기 임마노!
오, 당신은 무엇입니까, 동료!? 아무도 여기에서 그런 똑똑한 단어를 알지 못하지만(당신이 쓰는 방법: "기준", "근사치"), 그들은 정확히 3-4명을 알고 있습니다. 그럼에도 불구하고 그들은 이미 모든 사람의 공통 진리를 씹는 데 지쳤으므로 침묵합니다.
BP가 더 괜찮은 것으로 변하는 경우가 많이 있습니다. 모든(또는 거의) 지표이지만 수익은 보이지 않습니다. 지표가 개발될 때마다 아이디어가 먼저 나오고 그 다음에 구현이 나옵니다. 여기서 그들은 "VR이 고정되어 있지 않은 것이 아니라 고정되어 있으면 좋다"고 말합니다. 무슨 좋은? 모든 지표의 개발은 원래 VR의 일부 특성을 반영하도록 하는 것을 목표로 합니다. 여기서 일반적으로 이러한 과제는 제기되지 않고, 결과의 통계적 특성의 과제가 제기되며, 이 결과가 원래 VR에서 무엇을 표시할지 알 수 없습니다.
그건 그렇고, 여기 포럼에서 촛불의 길이가 시간에 따라 다르다는 것을 보여주는 차트를 보았습니다.
잘 ..... ? 그래서 무엇? NAFIG 거래자는 스펙트럼 전력 밀도가 필요하지 않습니다. 미래에 대한 신호의 SHAPE를 예측(합성)하지 못하기 때문입니다.
필요하지 않음 - 추세 거래에 반전 예측으로 충분합니다.
이것은 신화의 영역에서 당신의 가정일 뿐입니다. 전력 스펙트럼 밀도만 가지고 어떻게 할 것인지(역전 예측) 보여줄 수도 없습니다.
알려진 바와 같이 정지된 VR은 백색 잡음이 아닌 경우 예측 가능합니다.
따라서 고정 가격 VR을 고정 가격으로 변환하는 것이 시급하지만 역변환 가능성이 있습니다.
가장 원시적인 옵션. 우리는 가격을 VR로 추정합니다. 외삽. 외삽 VR과 실제 VR의 차이도 VR이지만 이미 고정되어 있습니다. 이것을 최신 VR 합성이라고 부르자.
우리는 합성 VR을 외삽합니다. 우리는 가격 BP의 외삽으로 요약합니다. 합성 VR이 백색 잡음이 아닌 경우 출력에서 예측값을 얻습니다. 두 가지 외삽법을 합한 결과입니다.
여기에 있는 모든 게시물을 읽기에는 너무 게을렀습니다. 그래서 나는 이미 나보다 먼저 물어봤을지도 모르는 질문을 하고 있다. 근사 기준은 무엇입니까? 테스트된 간격의 최소 평균 제곱 오차는 무엇입니까? 모델의 길이는 어떻게 선택합니까?
내가 내 질문을 이끄는 위치를 이해하려면 AR 모델을 예로 들어 보겠습니다. 이를 맞추기 위해 과거 데이터를 훈련 샘플로 나눕니다. 입력 및 출력. 선형 회귀, Burg 방법 또는 다른 선형 예측 방법을 사용하여 이 데이터에 모델을 맞춥니다. 이 AP 모델을 피팅한 후 과거 데이터에 대한 예측 오류(예: 피팅 중에 줄이기 위해 시도한 것과 동일한 오류)를 계산하고 다른 AP 모델을 일련의 오류 등에 피팅하도록 제안합니다. AR 모델의 길이는 근사 오차가 백색 잡음의 속성을 갖도록 선택해야 하기 때문에 의미가 거의 없습니다. 그렇지 않으면 짧은 모델이 있고 그 오류는 백색 잡음처럼 작동하지 않지만 예측 가능한 것입니다. 그러나 일련의 오류 아래 두 번째 모델을 입력한 다음 세 번째 모델을 입력하는 식입니다. 첫 번째 AR 모델의 차수(길이)를 늘린 것과 같은 결과를 가집니다.
근사 오류가 노이즈처럼 작동하기 시작할 때까지 모델의 길이를 늘리면서 첫 번째 모델을 단계적으로 구축하는 것이 더 정확합니다. 많은 책과 기사에서 이것에 대해 쓰여졌습니다.
여기의 모든 글을 읽기에는 너무 게을렀습니다. 그래서 나는 이미 나보다 먼저 물어봤을지도 모르는 질문을 하고 있다. 근사 기준은 무엇입니까? 테스트된 간격의 최소 평균 제곱 오차는 무엇입니까? 모델의 길이는 어떻게 선택합니까?
내가 내 질문을 이끄는 위치를 이해하려면 AR 모델을 예로 들어 보겠습니다. 이를 맞추기 위해 과거 데이터를 훈련 샘플로 나눕니다. 입력 및 출력. 선형 회귀, Burg 방법 또는 다른 선형 예측 방법을 사용하여 이 데이터에 모델을 맞춥니다. 이 AP 모델을 피팅한 후 과거 데이터에 대한 예측 오류(즉, 피팅 중에 줄이기 위해 시도한 것과 동일한 오류)를 계산하고 다른 AP 모델을 일련의 오류 등에 피팅하도록 제안합니다. AR 모델의 길이는 근사 오차가 백색 잡음의 속성을 갖도록 선택해야 하기 때문에 의미가 거의 없습니다. 그렇지 않으면 짧은 모델이 있고 그 오류는 백색 잡음처럼 작동하지 않지만 예측 가능한 것입니다. 그러나 일련의 오류 아래 두 번째 모델을 입력한 다음 세 번째 모델을 입력하는 식입니다. 첫 번째 AR 모델의 차수(길이)를 늘린 것과 같은 결과를 가집니다.
근사 오류가 노이즈처럼 작동하기 시작할 때까지 모델의 길이를 늘리면서 첫 번째 모델을 단계적으로 구축하는 것이 더 정확합니다. 많은 책과 기사에서 이것에 대해 쓰여졌습니다.
여기 임마노!
오, 당신은 무엇입니까, 동료!? 아무도 여기에서 그런 똑똑한 단어를 알지 못하지만(당신이 쓰는 방법: "기준", "근사치"), 그들은 정확히 3-4명을 알고 있습니다. 그럼에도 불구하고 그들은 이미 모든 사람의 공통 진리를 씹는 데 지쳤으므로 침묵합니다.
비정상 계열을 고정 계열로 전환하는 것은 이익과 관련이 없는 운동입니다.
이런 건 없습니다. 가장 넓은 의미에서 논의되고 있는 것은 고정되지 않은 일련의 가격, 고정된 일련의 이익에서 파생된다는 것입니다.
그라스의 제안(그에게 감사드립니다)으로 그는 다음과 같은 아이디어를 발전시키기 시작했습니다.
3. 2단계에 대한 3Z 예측 - 현재 웨이브 완료 및 다음 웨이브 완료. 나는 평범한 통계에 국한되어 있지만 교활한 회귀 모델을 사용할 수 있습니다.이 지점은 가장 큰 진폭으로 작동하기 때문에 가장 중요합니다. 더 많을 수 있습니까? ;-) 분명히 이것은 일반적인 통계가 아님을 의미합니다. 33계단의 평균 크기뿐만 아니라 발자국 크기의 분포도 아닙니다. 이전 단계에서 한 단계 더.
이런 건 없습니다. 가장 넓은 의미에서 논의되고 있는 것은 고정되지 않은 일련의 가격, 고정된 이윤을 얻는 것입니다.
나는 따라잡지 않는다. TS는 수익을 내고 있는데 TS에 대해 한 마디도 본 적이 없다.
나는 따라잡지 않는다. TS는 수익을 내고 있는데 TS에 대해 한 마디도 본 적이 없다.
이익=f(가격 계열)
이 지점은 가장 큰 진폭으로 작동하기 때문에 가장 중요합니다. 더 많을 수 있습니까? ;-) 분명히 이것은 일반적인 통계가 아님을 의미합니다. 33계단의 평균 크기뿐만 아니라 발자국 크기의 분포도 아닙니다. 이전 단계에서 한 단계 더.
아아, 동안 - 배포. 나는 예측 오차에 따라 분포를 분류할 계획입니다. 아마도 패턴이 있을 것입니다.
아니요.
1. 먼저 가격 시리즈를 근사화합니다. 우리는 가격 근사 공식을 얻습니다: price_appr(time)
2. price_appr(시간 + i) 추정
3. 합성 delta(time + i) = Open[time + i] - price_appr(time + i) 구하기
4. delta(x)에 백색 잡음이 있는지 확인하십시오. 소리가 나면 할머니를 끊으세요. 소리가 나지 않으면 계속 진행합니다.
5. 합성을 근사하고 공식을 얻습니다. delta_appr(time)
6. 예측: 예측(시간 + i + j) = price_appr(시간 + i + j) + delta_appr(시간 + i + j)
여기서: i와 j는 이전 단계의 OOS입니다. 시간, i 및 j - 겹치지 않는 시간 세트
제안은 흥미롭다.
그러나 예측 방법은 완전히 명확하지 않습니다. 실제로 무엇을 예측합니까?
그러나 먼저 완전히 다른 문제를 해결해야 합니다.
백색소음을 확인하는 방법은?
이익=f(가격 계열)
BP가 더 괜찮은 것으로 변하는 경우가 많이 있습니다. 모든(또는 거의) 지표이지만 수익은 보이지 않습니다. 지표가 개발될 때마다 아이디어가 먼저 나오고 그 다음에 구현이 나옵니다. 여기서 그들은 "VR이 고정되어 있지 않은 것이 아니라 고정되어 있으면 좋다"고 말합니다. 무슨 좋은? 모든 지표의 개발은 원래 VR의 일부 특성을 반영하도록 하는 것을 목표로 합니다. 여기서 일반적으로 이러한 과제는 제기되지 않고, 결과의 통계적 특성의 과제가 제기되며, 이 결과가 원래 VR에서 무엇을 표시할지 알 수 없습니다.
그건 그렇고, 여기 포럼에서 촛불의 길이가 시간에 따라 다르다는 것을 보여주는 차트를 보았습니다.