이것은 "보고" 기간에 대한 글로벌 추세의 결과입니까, 아니면 첫 번째 또는 두 번째 샘플에 속하지 않는 수익이 있었습니까?
Wege-Ising 모델은 무엇보다도 매개변수에 특정 "물리적" 의미가 할당되기 때문에, 즉 추가 정보로 모델링할 수 있기 때문에 저에게 흥미롭게 보입니다. 근데 상하운동으로 대칭이 아니니 거슬리지 않나요? 시장은 이 점에서 다소 대칭적인 것 같습니다(증권의 경우 인플레이션 조정).
일반적인 경우 컨텍스트별로 분할할 수 있습니다. 실제 거래 패턴을 기반으로 합니다. 하지만 여기에 문제가 있습니다. 나는 미시적 맥락에 따른 분석을 내놓았습니다. a) 일반적인 기초, 식별/분석/예측을 위한 벽돌, 따라서 b) 이에 대한 시장에 대한 충분한 정보를 포함해야 하고, c) 다음을 기반으로 합니다. 상대적으로 확립된(준-고정된) 프로세스에서 .
여기에서 상태 매개변수를 사용하여 미시적 컨텍스트를 식별할 수 있는 것 같습니다. 즉, 이는 Yuri 의 접근 방식과 일치할 가능성이 더 큽니다. 우리는 특정 특성(또는 그 집합)에 따라 컨텍스트로 분할하면 예상 수익(이익)이 긍정적일 것이라는 가설이 제시되었음을 알 수 있습니다. 그리고 이 가설은 실시간 거래(또는 역사에 대한 모방)에서 테스트됩니다.
이 주제에서 공식화하려고 시도한 두 번째 접근 방식은 먼저 거래 신호를 수신하기 위해 미리 선택된 알고리즘을 사용하여 기록을 컨텍스트로 나누는 것입니다. 그런 다음 결과 집합을 두 개(또는 그 이상)의 하위 집합(컨텍스트 유형)으로 나눕니다. 각 하위 집합은 하나 또는 다른 거래 전략(전략)과 연결됩니다. 다음으로 실시간 컨텍스트 유형 인식 알고리즘을 찾습니다. 이것은 결과에 대한 특정 상태 매개변수의 영향에 대한 가설을 제시하고 테스트함으로써 첫 번째 경우와 정확히 동일한 방식으로 발생합니다. 신경망의 관점에서 우리는 실제로 "좋은" 훈련 샘플과 "나쁜" 훈련 샘플을 형성합니다. 물론 NN은 문제에 대한 가능한 접근 방식 중 하나일 뿐입니다.
이러한 측면에서 첫 번째 접근 방식에서는 선택과 인식 작업이 단순히 일치합니다.
첫 번째 접근 방식은 덜 객관적으로 보입니다. 즉, 두 번째 접근 방식은 위험을 최소화하고 이익을 극대화하는 데 더 적합해 보입니다. 첫째, 컨텍스트로 나누는 이익 지향적 알고리즘 때문이고 둘째, 수학적 최적화 방법을 사용할 가능성 때문입니다. 순수한 형태의 첫 번째 것은 최적화를 전혀 거치지 않아야 합니다. 물론입니다.
그러나 이와 관련하여 나는 Avals 의 가정에 주의를 기울일 것입니다. 높은 노이즈 수준으로 인해 컨텍스트를 "객관적으로" 분리하려는 모든 시도는 실패할(또는 적합하게 될) 운명입니다. 글쓴이의 말과 맞지 않는 것 같으니 틀린 부분이 있으면 바로잡아주세요.
다행히도 두 번째 계획에는 주관주의 요소가 있으며 모든 희망이 있습니다. :) . 다른 한편으로는 최적화나 매개변수 추가(그리고 다시 최적화)를 통해 "개선"하려는 유혹이 있습니다. 사실 이것은 적어도 갈퀴와 트랩과 관련하여 이 접근 방식을 두 번째 접근 방식에 더 가깝게 만듭니다.
추신 Yuri , 확실히, 이 게시물에서 나는 독자들에게 당신의 접근 방식에 대해 전체 또는 일부를 오도하려고 시도했습니다. 당신이 그것을 간단하게(가능한 경우 정확성을 해치지 않도록) 공식화할 수 있습니까?
여기에서 상태 매개변수를 사용하여 미시적 컨텍스트를 식별할 수 있는 것 같습니다. 즉, 이는 Yuri 의 접근 방식과 일치할 가능성이 더 큽니다. 우리는 특정 특성(또는 그 집합)에 따라 컨텍스트로 분할하면 예상 수익(이익)이 긍정적일 것이라는 가설이 제시되었음을 알 수 있습니다. 그리고 이 가설은 실시간 거래(또는 역사에 대한 모방)에서 테스트됩니다.
그리고 정말입니다. 여기에서 평범한 ZZ에 따라 형성된 시리즈의 수익률을 확인하십시오.
이 주제에서 공식화하려고 시도한 두 번째 접근 방식은 먼저 거래 신호를 수신하기 위해 미리 선택된 알고리즘을 사용하여 기록을 컨텍스트로 나누는 것입니다.
이것은 매우 별개의 주제입니다. 이것은 매우 흥미로운 접근 방식입니다! 글쎄, 이것은 미시적 맥락과 관련이 있습니다 ... 확실히 - 태도!
그런 다음 결과 집합을 두 개(또는 그 이상)의 하위 집합(컨텍스트 유형)으로 나눕니다. 각 하위 집합은 하나 또는 다른 거래 전략(전략)과 연결됩니다. 다음으로 실시간 컨텍스트 유형 인식 알고리즘을 찾습니다. 이것은 결과에 대한 특정 상태 매개변수의 영향에 대한 가설을 제시하고 테스트함으로써 첫 번째 경우와 정확히 동일한 방식으로 발생합니다. 신경망 측면에서 우리는 실제로 "좋은" 훈련 샘플과 "나쁜" 훈련 샘플을 형성합니다. 물론 NN은 문제에 대한 가능한 접근 방식 중 하나일 뿐입니다.
이러한 측면에서 첫 번째 접근 방식에서는 선택과 인식 작업이 단순히 일치합니다.
네. 방법은 두 번째입니다. 중요한 것은 - 무엇을 위해?
첫 번째 접근 방식은 덜 객관적으로 보입니다. 즉, 두 번째 접근 방식은 위험을 최소화하고 이익을 극대화하는 데 더 적합해 보입니다. 첫째, 컨텍스트로 나누는 이익 지향적 알고리즘 때문이고 둘째, 수학적 최적화 방법을 사용할 가능성 때문입니다. 순수한 형태의 첫 번째 것은 최적화를 전혀 거치지 않아야 합니다. 물론입니다.
당연히 안됩니다. 왜요? "아니면 나는 위대한 러시아 작가가 아닌가?" ))) 기본은 정의에 따라 "변형"되어서는 안됩니다.
그러나 이와 관련하여 나는 Avals 의 가정에 주의를 기울일 것입니다. 높은 노이즈 수준으로 인해 컨텍스트를 "객관적으로" 분리하려는 모든 시도는 실패할(또는 적합하게 될) 운명입니다. 글쓴이의 말과 맞지 않는 것 같으니 틀린 부분이 있으면 바로잡아주세요.
그래서 우리는 돈이 우리를 위한 것이라는 데 동의했습니다. 무슨 소음? 당신은 단순히 당신의 아이디어에 따라 당신의 이익을 측정합니다. Essno, 거짓말할 필요가 없습니다. 시장에서 무엇을 기대해야 하는지는 분명합니다.
다행히도 두 번째 계획에는 주관주의 요소가 있으며 모든 희망이 있습니다. :) . 다른 한편으로는 최적화나 매개변수 추가(그리고 다시 최적화)를 통해 "개선"하려는 유혹이 있습니다. 사실 이것은 적어도 갈퀴와 트랩과 관련하여 이 접근 방식을 두 번째 접근 방식에 더 가깝게 만듭니다.
그래서 우리는 돈이 우리를 위한 것이라는 데 동의했습니다. 무슨 소음? 당신은 단순히 당신의 아이디어에 따라 당신의 이익을 측정합니다. Essno, 거짓말할 필요가 없습니다. 시장에서 무엇을 기대해야 하는지는 분명합니다.
간결함을 추구하는 데 너무 앞서간 것 같습니다. Avals'의 가정의 의미와 나는 이것을 이해했습니다. "주관적인" 가설을 제시하면 우리는 시장의 기능, 즉 외부 정보에 대한 아이디어를 사용합니다. 사실, 우리는 TA의 범위를 넘어섭니다(그가 처음으로 :)라는 용어를 사용했기 때문입니다. 이것은 추가 필터를 제공하므로 시장에서 소음 외에는 아무것도 볼 수 없습니다.
샘플 크기가 영향을 미칠 수 있습니까?
표본 크기는 충분합니다.
그리고 "궁극의 끈 장력"상태도 있습니다. 실제로 분산이 없습니다.
이 상태를 캡처한 것일까요?
두 번째 행을 통합하면 마지막 값은 마지막 가격 값의 약 20%가 됩니다. 분산이 실질적으로 없었다면 이 시리즈의 기여도는 줄어들었을 것이라고 생각합니다.
어떤 종류의 데이터입니까?
eurusd, 터미널에 있던 모든 이력
여러분, 제가 여기서 좀 주제를 벗어나고 있습니다. 그쵸?
3일차에는 축제분위기에서 영감을 받아 알아내게 되었어요 (평소에 없이는 이해가 안가던 부분이 이미 이해가 되었기 때문에 진행하시면 됩니다 :))
간단히 말해서 DC 필터(광의의 의미에서)가 인용하는 정확한 알고리즘을 어떻게든(수학, 사회 공학, 지능 - 중요하지 않음) 결정했다고 가정해 보겠습니다. 이 놀라운 사실을 실제 상황에서 활용하여 이익을 얻을 수 있습니까? 이미 머리가 깨졌어...
아니, 아니, 주제에서 벗어나지 마십시오 . 포럼에서 더 잘 보이면 주제가 정기적으로 올라옵니다.
아니, 아니, 주제에서 벗어나지 마십시오 . 포럼에서 더 잘 보이면 주제가 정기적으로 올라옵니다.
그럼 스스로 알아내는 게 좋겠어, 헛되이 가게로 달려가지 않았어 :))
아니, 아니, 주제에서 벗어나지 마십시오 . 포럼에서 더 잘 보이면 주제가 정기적으로 올라옵니다.
당신이 올바르게 말했다. 하지만 내가 말했으니까, 계속하자. :-)))
두 분포 모두 양수 값으로 치우쳐 있습니다.
이것은 "보고" 기간에 대한 글로벌 추세의 결과입니까, 아니면 첫 번째 또는 두 번째 샘플에 속하지 않는 수익이 있었습니까?
Wege-Ising 모델은 무엇보다도 매개변수에 특정 "물리적" 의미가 할당되기 때문에, 즉 추가 정보로 모델링할 수 있기 때문에 저에게 흥미롭게 보입니다. 근데 상하운동으로 대칭이 아니니 거슬리지 않나요? 시장은 이 점에서 다소 대칭적인 것 같습니다(증권의 경우 인플레이션 조정).
일반적인 경우 컨텍스트별로 분할할 수 있습니다. 실제 거래 패턴을 기반으로 합니다. 하지만 여기에 문제가 있습니다. 나는 미시적 맥락에 따른 분석을 내놓았습니다. a) 일반적인 기초, 식별/분석/예측을 위한 벽돌, 따라서 b) 이에 대한 시장에 대한 충분한 정보를 포함해야 하고, c) 다음을 기반으로 합니다. 상대적으로 확립된(준-고정된) 프로세스에서 .
여기에서 상태 매개변수를 사용하여 미시적 컨텍스트를 식별할 수 있는 것 같습니다. 즉, 이는 Yuri 의 접근 방식과 일치할 가능성이 더 큽니다.
우리는 특정 특성(또는 그 집합)에 따라 컨텍스트로 분할하면 예상 수익(이익)이 긍정적일 것이라는 가설이 제시되었음을 알 수 있습니다. 그리고 이 가설은 실시간 거래(또는 역사에 대한 모방)에서 테스트됩니다.
이 주제에서 공식화하려고 시도한 두 번째 접근 방식은 먼저 거래 신호를 수신하기 위해 미리 선택된 알고리즘을 사용하여 기록을 컨텍스트로 나누는 것입니다. 그런 다음 결과 집합을 두 개(또는 그 이상)의 하위 집합(컨텍스트 유형)으로 나눕니다. 각 하위 집합은 하나 또는 다른 거래 전략(전략)과 연결됩니다. 다음으로 실시간 컨텍스트 유형 인식 알고리즘을 찾습니다. 이것은 결과에 대한 특정 상태 매개변수의 영향에 대한 가설을 제시하고 테스트함으로써 첫 번째 경우와 정확히 동일한 방식으로 발생합니다. 신경망의 관점에서 우리는 실제로 "좋은" 훈련 샘플과 "나쁜" 훈련 샘플을 형성합니다. 물론 NN은 문제에 대한 가능한 접근 방식 중 하나일 뿐입니다.
이러한 측면에서 첫 번째 접근 방식에서는 선택과 인식 작업이 단순히 일치합니다.
첫 번째 접근 방식은 덜 객관적으로 보입니다. 즉, 두 번째 접근 방식은 위험을 최소화하고 이익을 극대화하는 데 더 적합해 보입니다. 첫째, 컨텍스트로 나누는 이익 지향적 알고리즘 때문이고 둘째, 수학적 최적화 방법을 사용할 가능성 때문입니다. 순수한 형태의 첫 번째 것은 최적화를 전혀 거치지 않아야 합니다. 물론입니다.
그러나 이와 관련하여 나는 Avals 의 가정에 주의를 기울일 것입니다. 높은 노이즈 수준으로 인해 컨텍스트를 "객관적으로" 분리하려는 모든 시도는 실패할(또는 적합하게 될) 운명입니다. 글쓴이의 말과 맞지 않는 것 같으니 틀린 부분이 있으면 바로잡아주세요.
다행히도 두 번째 계획에는 주관주의 요소가 있으며 모든 희망이 있습니다. :) . 다른 한편으로는 최적화나 매개변수 추가(그리고 다시 최적화)를 통해 "개선"하려는 유혹이 있습니다. 사실 이것은 적어도 갈퀴와 트랩과 관련하여 이 접근 방식을 두 번째 접근 방식에 더 가깝게 만듭니다.
추신 Yuri , 확실히, 이 게시물에서 나는 독자들에게 당신의 접근 방식에 대해 전체 또는 일부를 오도하려고 시도했습니다. 당신이 그것을 간단하게(가능한 경우 정확성을 해치지 않도록) 공식화할 수 있습니까?
아마도 사람들이 어딘가를 걷고 있는 동안, 당신은 여전히 철학을 할 수 있습니다 :)
어서 오십시오! )))
여기에서 상태 매개변수를 사용하여 미시적 컨텍스트를 식별할 수 있는 것 같습니다. 즉, 이는 Yuri 의 접근 방식과 일치할 가능성이 더 큽니다.
우리는 특정 특성(또는 그 집합)에 따라 컨텍스트로 분할하면 예상 수익(이익)이 긍정적일 것이라는 가설이 제시되었음을 알 수 있습니다. 그리고 이 가설은 실시간 거래(또는 역사에 대한 모방)에서 테스트됩니다.
그리고 정말입니다. 여기에서 평범한 ZZ에 따라 형성된 시리즈의 수익률을 확인하십시오.
이 주제에서 공식화하려고 시도한 두 번째 접근 방식은 먼저 거래 신호를 수신하기 위해 미리 선택된 알고리즘을 사용하여 기록을 컨텍스트로 나누는 것입니다.
이것은 매우 별개의 주제입니다. 이것은 매우 흥미로운 접근 방식입니다! 글쎄, 이것은 미시적 맥락과 관련이 있습니다 ... 확실히 - 태도!
그런 다음 결과 집합을 두 개(또는 그 이상)의 하위 집합(컨텍스트 유형)으로 나눕니다. 각 하위 집합은 하나 또는 다른 거래 전략(전략)과 연결됩니다. 다음으로 실시간 컨텍스트 유형 인식 알고리즘을 찾습니다. 이것은 결과에 대한 특정 상태 매개변수의 영향에 대한 가설을 제시하고 테스트함으로써 첫 번째 경우와 정확히 동일한 방식으로 발생합니다. 신경망 측면에서 우리는 실제로 "좋은" 훈련 샘플과 "나쁜" 훈련 샘플을 형성합니다. 물론 NN은 문제에 대한 가능한 접근 방식 중 하나일 뿐입니다.
이러한 측면에서 첫 번째 접근 방식에서는 선택과 인식 작업이 단순히 일치합니다.
네. 방법은 두 번째입니다. 중요한 것은 - 무엇을 위해?
첫 번째 접근 방식은 덜 객관적으로 보입니다. 즉, 두 번째 접근 방식은 위험을 최소화하고 이익을 극대화하는 데 더 적합해 보입니다. 첫째, 컨텍스트로 나누는 이익 지향적 알고리즘 때문이고 둘째, 수학적 최적화 방법을 사용할 가능성 때문입니다. 순수한 형태의 첫 번째 것은 최적화를 전혀 거치지 않아야 합니다. 물론입니다.
당연히 안됩니다. 왜요? "아니면 나는 위대한 러시아 작가가 아닌가?" ))) 기본은 정의에 따라 "변형"되어서는 안됩니다.
그러나 이와 관련하여 나는 Avals 의 가정에 주의를 기울일 것입니다. 높은 노이즈 수준으로 인해 컨텍스트를 "객관적으로" 분리하려는 모든 시도는 실패할(또는 적합하게 될) 운명입니다. 글쓴이의 말과 맞지 않는 것 같으니 틀린 부분이 있으면 바로잡아주세요.
그래서 우리는 돈이 우리를 위한 것이라는 데 동의했습니다. 무슨 소음? 당신은 단순히 당신의 아이디어에 따라 당신의 이익을 측정합니다. Essno, 거짓말할 필요가 없습니다. 시장에서 무엇을 기대해야 하는지는 분명합니다.
다행히도 두 번째 계획에는 주관주의 요소가 있으며 모든 희망이 있습니다. :) . 다른 한편으로는 최적화나 매개변수 추가(그리고 다시 최적화)를 통해 "개선"하려는 유혹이 있습니다. 사실 이것은 적어도 갈퀴와 트랩과 관련하여 이 접근 방식을 두 번째 접근 방식에 더 가깝게 만듭니다.
네. 이건 괜찮아.
그래서 우리는 돈이 우리를 위한 것이라는 데 동의했습니다. 무슨 소음? 당신은 단순히 당신의 아이디어에 따라 당신의 이익을 측정합니다. Essno, 거짓말할 필요가 없습니다. 시장에서 무엇을 기대해야 하는지는 분명합니다.
간결함을 추구하는 데 너무 앞서간 것 같습니다. Avals'의 가정의 의미와 나는 이것을 이해했습니다. "주관적인" 가설을 제시하면 우리는 시장의 기능, 즉 외부 정보에 대한 아이디어를 사용합니다. 사실, 우리는 TA의 범위를 넘어섭니다(그가 처음으로 :)라는 용어를 사용했기 때문입니다. 이것은 추가 필터를 제공하므로 시장에서 소음 외에는 아무것도 볼 수 없습니다.
가능한 좌표에 대한 생각을 계속합니다.
그것들 을 사용한다면 9가지 컨텍스트 평가가 가능한 것 같습니다.
제로 - 명백한 "울타리 위에 앉아". ;)
"단계"... ;)