처음부터 시작합시다. 나는 다음과 같은 고정성 정의를 사용합니다. mo = 상수("거의" 상수)이고 분산 = 상수("거의" 상수)인 경우 계열은 고정적입니다.
시리즈에 결정적 구성 요소가 있는 한 통계에 대해 이야기할 필요가 없습니다. 이것이 우리가 결정적 구성 요소를 뺀 나머지로 작업하는 이유입니다. 이 절차 후에 나머지는 일반적으로 양초의 길이보다 훨씬 작기 때문에 문제는 질적으로 단순화됩니다.
약간 다릅니다 . 고정 랜덤 프로세스의 경우 모든 확률적 특성이 시간에 의존해서는 안 됩니다. 가격이 장기간에 걸쳐 거의 선형으로 증가했다가 갑자기 급격히 떨어지면 하락하는 순간까지 고정 과정이었습니다. 이 시리즈를 조각으로 나누면 이러한 조각의 통계 특성은 대략 같은. 그리고 감소 후 확률적 특성이 변경되었습니다. 즉, 고정적이지 않게 되었습니다(MO 변경, 분산 변경).
모든 시리즈에서 결정적 구성 요소를 구별 할 수 있으며 통계에 대해 이야기해야합니다. 계열이 비정상적이면 이 결정적 구성 요소는 예측력이 거의 없습니다.
Demi : 약간 다릅니다 . 고정 랜덤 프로세스의 경우 모든 확률적 특성이 시간에 의존해서는 안 됩니다. 가격이 장기간에 걸쳐 거의 선형으로 증가했다가 갑자기 급격히 떨어지면 하락하는 순간까지 고정 과정이었습니다. 이 시리즈를 조각으로 나누면 이러한 조각의 통계 특성은 대략 같은. 그리고 감소 후 확률 특성이 변경되어 고정적이지 않았습니다.
내 정의는 건설적입니다. 모델링을 위한 계획을 세우고 목표를 정의할 수 있습니다.
1단계. 시리즈에 결정론적 구성 요소가 있는 한 명확한 것은 말할 수 없습니다. 저에게 이것은 공리입니다.
큰 소식입니다. ARIMA는 어떻습니까? ARCH는 어떻습니까? 이것은 어떤 행을 위한 것입니까?
kotir = 추세 + 노이즈
왼쪽은 비정상이지만 오른쪽은 어디에?
뉴스는 크지 않고 오래되지 않았습니다. 이러한 방법은 개발되었으며 고정 시리즈에 사용됩니다. 그리고 non-stationary의 경우에는 이러한 방법을 적용할 수 있도록 "정지된 형태로 가져오기" 방법을 사용합니다.
계열이 비정상이면 비정상입니다. 여러 가지 불안정한 통계적 특성. 행을 조각으로 자를 수 있으며 각 조각에서 행은 고정됩니다.
가격이 상승했다가 급격히 하락했다면 성장 단계에서 시리즈는 고정적입니다. 그러나 전체 가격 범위는 고정적이지 않습니다(갑작스러운 변경에 따라 다름).
뉴스는 크지 않고 오래되지 않았습니다. 이러한 방법은 개발되었으며 고정 시리즈에 사용됩니다. 그리고 non-stationary의 경우에는 이러한 방법을 적용할 수 있도록 "정지된 형태로 가져오기" 방법을 사용합니다.
계열이 비정상이면 비정상입니다. 여러 가지 불안정한 통계적 특성. 행을 조각으로 자를 수 있으며 각 조각에서 행은 고정됩니다.
가격이 상승했다가 급격히 하락했다면 성장 단계에서 시리즈는 고정적입니다. 그러나 전체 가격 범위는 고정적이지 않습니다(갑작스러운 변경에 따라 다름).
추세 변화는 비정상성의 신호가 아닙니다.
처음부터 시작합시다. 나는 다음과 같은 고정성 정의를 사용합니다. mo = 상수("거의" 상수)이고 분산 = 상수("거의" 상수)인 경우 계열은 고정적입니다.
시리즈에 결정적 구성 요소가 있는 한 통계에 대해 이야기할 필요가 없습니다. 이것이 우리가 결정적 구성 요소를 뺀 나머지로 작업하는 이유입니다. 이 절차 후에 나머지는 일반적으로 양초의 길이보다 훨씬 작기 때문에 문제는 질적으로 단순화됩니다.
뉴스는 크지 않고 오래되지 않았습니다. 이러한 방법은 개발되었으며 고정 시리즈에 사용됩니다. 그리고 non-stationary의 경우에는 이러한 방법을 적용할 수 있도록 "정지된 형태로 가져오기" 방법을 사용합니다.
ARIMA에 대해 여전히 동의할 수 있다면 ARCH는 순전히 고정적이지 않은 것입니다. 나는 비정상성의 특정 미묘함을 목표로 하는 특정 테스트를 사용하고 식별 후 순전히 비정상이 모델링됩니다. 나머지는 종종 정지된 것으로 판명됩니다.
그리고 non-stationary의 경우 "고정된 형태로 가져오는" 방법이 사용됩니다.
당신이 지적한 방법이 있다면 우리는 고정되지 않은 시리즈로 작업하고 있습니까?
추세 변화는 비정상성의 신호가 아닙니다.
처음부터 시작합시다. 나는 다음과 같은 고정성 정의를 사용합니다. mo = 상수("거의" 상수)이고 분산 = 상수("거의" 상수)인 경우 계열은 고정적입니다.
시리즈에 결정적 구성 요소가 있는 한 통계에 대해 이야기할 필요가 없습니다. 이것이 우리가 결정적 구성 요소를 뺀 나머지로 작업하는 이유입니다. 이 절차 후에 나머지는 일반적으로 양초의 길이보다 훨씬 작기 때문에 문제는 질적으로 단순화됩니다.
약간 다릅니다 . 고정 랜덤 프로세스의 경우 모든 확률적 특성이 시간에 의존해서는 안 됩니다. 가격이 장기간에 걸쳐 거의 선형으로 증가했다가 갑자기 급격히 떨어지면 하락하는 순간까지 고정 과정이었습니다. 이 시리즈를 조각으로 나누면 이러한 조각의 통계 특성은 대략 같은. 그리고 감소 후 확률적 특성이 변경되었습니다. 즉, 고정적이지 않게 되었습니다(MO 변경, 분산 변경).
모든 시리즈에서 결정적 구성 요소를 구별 할 수 있으며 통계에 대해 이야기해야합니다. 계열이 비정상적이면 이 결정적 구성 요소는 예측력이 거의 없습니다.
약간 다릅니다 . 고정 랜덤 프로세스의 경우 모든 확률적 특성이 시간에 의존해서는 안 됩니다. 가격이 장기간에 걸쳐 거의 선형으로 증가했다가 갑자기 급격히 떨어지면 하락하는 순간까지 고정 과정이었습니다. 이 시리즈를 조각으로 나누면 이러한 조각의 통계 특성은 대략 같은. 그리고 감소 후 확률 특성이 변경되어 고정적이지 않았습니다.
내 정의는 건설적입니다. 모델링을 위한 계획을 세우고 목표를 정의할 수 있습니다.
1단계. 시리즈에 결정론적 구성 요소가 있는 한 명확한 것은 말할 수 없습니다. 저에게 이것은 공리입니다.
내 정의는 건설적입니다. 모델링을 위한 계획을 세우고 목표를 정의할 수 있습니다.
1단계. 시리즈에 결정론적 구성 요소가 있는 한 명확한 것은 말할 수 없습니다. 저에게 이것은 공리입니다.
모든 시리즈에는 결정적 구성 요소가 있습니다. 문제는 예측의 품질과 정확성입니다.
당신이 지적한 방법이 있다면 우리는 고정되지 않은 시리즈로 작업하고 있습니까?
거래에 적용하려고 시도하고 시도했습니다. 결과는 비참합니다. TA보다 낫습니다.
비록 - 위업을위한 장소가 있습니다
모든 시리즈에는 결정적 구성 요소가 있습니다. 문제는 예측의 품질과 정확성입니다.
우리는 옆으로 가지 않습니다.
우리는 결정적 구성 요소를 선택합니다. 나머지는 어떻습니까? 결정적 구성 요소를 다시 확인합니다. 이유는 오래되었습니다. 소음에 도달하십시오. 우리는 결정적인 것 없이 노이즈를 얻습니다. 논쟁하는 것이 가능할 것입니다.
우리는 옆으로 가지 않습니다.
우리는 결정적 구성 요소를 선택합니다. 나머지는 어떻습니까? 결정적 구성 요소를 다시 확인합니다. 이유는 오래되었습니다. 소음에 도달하십시오. 우리는 결정적인 것 없이 노이즈를 얻습니다. 논쟁하는 것이 가능할 것입니다.
무엇 때문에? 무슨 이야기를 할까요? 우리는 결정적 요소를 골라내고, 모델을 만들고, 테스트하고, 분석하고, 버렸죠(농담).
구성 요소가 고품질이면 거래합니다. 나머지는 무엇을 위한 것입니까?
문제는 이 구성 요소의 품질입니다.
누가 뭐라고 해도 통계는 이전에 무슨 일이 일어났는지 보여줄 것입니다. 그리고 그는 "어떤 일이 일어날지"를 어떤 식 으로든 보여줄 수 없을 것입니다 ... 순수한 추측. 어쩌면 이것이 당신에게 적합한 옵션입니까?
>