왜 퀴블, 공식이 있습니다. DIS는 실제로 훨씬 더 자주 사용되며 비교할 수 없을 정도로 더 자주 사용됩니다. 우선, LSM(최소 자승법)에 의해 생성된 단순성과 계산 효율성 때문입니다. 다음은 간단한 예입니다. 지금은 평균이 LSM, 산술과 같다고 가정하겠습니다.
많은 라인이 있습니다. 전자 형태의 위대한 소비에트 백과사전. 한 줄에 있는 공백 수의 평균 몫과 이 몫의 분산 표시기 중 하나, RMS 또는 이 평균과의 평균 모듈러스 편차를 계산해야 합니다(간단히 Cheb이라고 부를 것이고 그 이유를 알려 드리겠습니다) . 모든 회선을 통과할 때마다 비용이 많이 들고 책은 서로 다른 인터넷 리소스에 있으며 연결은 구리 쌍을 통한 모뎀입니다. 따라서 RMS를 계산하려면 하나의 패스로 충분합니다(라인 수, 공간 분수의 합, 공간 분수의 제곱의 합을 즉시 저장하고 이 합계에서 RMS를 즉시 계산합니다). Cheb 2가 필요합니다 (첫 번째에는 라인 수와 주식 합계를 누적하고 평균을 계산하고 두 번째에는 평균과의 절대 편차 합계를 누적하여 Cheb의 편차를 계산합니다 ). 노동 강도의 차이는 2배입니다.
그리고 어디에서나 던지는 곳마다 - Cheb의 방법으로 무언가를해야 할 경우 쐐기 모양입니다. 테이블 정의 함수를 근사화하는 작업은 솔루션에 대해 완전히 다른 비용을 생성합니다. 가장 간단한 경우, 우리는 함수를 상수로 대체합니다. 최소 제곱에 따르면 이것은 산술 평균이며 값 테이블을 한 번 통과할 때뿐만 아니라 모든 사람에게 명확합니다. 절대 편차를 최소화한 근사를 균일 근사 또는 체비쇼프라고 합니다. 그것에서 중앙값 평균을 찾아야합니다. 상수에서 절대 편차의 합에 대한 최소값을 제공하는 것입니다. 중앙값을 계산하는 방법을 고려하십시오. MQL에는 이를 위한 기성 기능이 있습니다. 그것이하는 일은 옳습니다. 먼저 모든 요소를 오름차순으로 정렬합니다. 그리고 이것은 산술 평균을 찾는 것이 전혀 아닙니다.
등등. 동시에 LSM이 현상에 대한 정상적인 생각을 왜곡한다는 점을 인식해야 합니다. 예를 들어, 평균 임금 수준과 같은. 이것은 통계 당국에서 평균 급여를 보고하는 데 사용됩니다. 회사에 25명의 직원이 있고 그 중 5명이 각각 100만 달러를 받고 나머지 20명이 5만 명을 번다면 산술 평균 급여는 6/25=240천이 되며 중위 평균은 5만 명이 됩니다.
에 대한. 바로 그거죠. 거래에서 중앙값 편차를 사용할 수 있습니다 ...
그런 다음 sko에서 요점을 볼 수 없습니다.
모든 편차 값은 제곱되었습니다. 그런 다음 평균 편차 제곱 값을 계산했습니다. 그런 다음 다시 그 뿌리를 가져갔습니다.
주제의 시작 부분에서 Alexander는 시장이 자기 유사하다고 썼습니다. 저것들. 다른 시간 척도에서 동일한 속성을 갖습니다.
이 상황을 명확히 하기 위해 상당히 다른 기간을 가진 여러 MA를 가져와 TF 1m에 표시하고 그에 대한 분포를 계산했습니다. 동일한 R에서 충분히 빠르게 이 작업을 수행할 수 있습니다.
시장의 자기 유사성으로 인해 확장 시 분포가 서로 겹쳐야 합니다. 중복이 없으며 분포가 서로 크게 다릅니다. 시장은 자기 유사하지 않다.
따라서 다른 시간 척도에서 작동하는 전략은 척도를 통해 다른 전략으로 이동할 수 없으며 일부 경우에는 전혀 이동할 수 없습니다.
비자기 유사성은 또한 다른 시간 간격에서 작동하는 전략이 기술 측면에서 서로 매우 다르다는 것을 확인합니다. 스캘핑, 일중, 단기 및 중기 전략, 장기 전략 - 이 모든 것이 매우 좋습니다. 다양한 거래 기법.
아마도이 모든 것이 사소하지만 전에 생각해 본 적이 없습니다.
주제에 따르면 Alexander의 전략은 "몇 시간 동안 지속되는 희귀 거래"이지만 우리는 확실히 알지 못하기 때문입니다. 우리 이전에는 데모 버전에 불과했습니다.
내 활동은 다른 시간 규모의 거래이며 시장의 자기 유사성이 없으면 완전히 다른 기술입니다. 일반적으로 시장의 내 부문이 아닙니다.)
즉, 소금에 절인 양배추를 직접 판매할 때 롤스로이스 딜러에게 조언을 하는 것은 어리석은 일입니다. 그건 그렇고, 그 반대도 사실입니다.
나는 당신이 제기한 질문에 관심이 있습니다. 실제로 부과가 발생하지 않는다는 사실입니다. 나는 2년 동안 EURUSD 분을 사용했고 총 시간 Tall(분)에 대해 T1분 주기의 느린 평균에서 T1분 주기의 빠른 평균의 편차 수 N의 의존성을 살펴보기로 결정했습니다. 4자리 점에서 편차 d의 0.0001. 평균 T1과 T2에 대해, 우리는 반개방 범위[d-0.5, d+0.5)에 속하는 차이의 샘플 주파수를 계산하고 이 주파수를 d와 연결하여 N(d, T1, T2)로 표시합니다. 그런 다음 만나는 모든 d 값에 대해 합 N(d,T1,T2)를 계산하고 N(d,T1,T2)로 나눕니다. 따라서 우리는 상대 샘플 주파수 n(d,T1,T2)을 얻습니다. T1,T2 쌍에 대한 합은 동일하고 1입니다. 두 쌍 (T1,T2) 및 (T3,T4)에 대해서는 비교하지 않습니다. , 그러나 코스에서 평균 Ti의 편차를 비교합니다. 이는 0분 주기의 평균이므로 계산 횟수를 줄일 수 있습니다. 실제로 한 번에 5개의 느린 평균 기간을 설정해 보겠습니다. T1 = 4 T2 = 16 T3 = 64 T4 = 256 T5 = 1024, 4분에서 17시간의 기간을 포함합니다. 이 5개의 느린 것들에 대한 빠른 평균은 1, T0 = 0, 코스 자체입니다. 즉, 주파수 N(d, Ti, 0)을 수집합니다. 사진에 더 좋습니다. 분석을 위해 Excel(750,000줄 94Mb) https://yadi.sk/d/97QaopiK3QbTv9(80Mb )으로 테이블을 만들었는데, 확인하려는 사람이 실수를 했을 수도 있습니다.
쌀. 1. -350 ~ +350 포인트 범위의 기본 샘플 주파수 편차.
대칭이 표시되므로 다른 부호의 편차에 대한 빈도를 더하고 로그를 x축으로 확장합니다. 또한 로그 계산의 문제를 제거하기 위해 모든 주파수를 1씩 증가시킵니다. 우리는 쌀을 얻습니다. 2. 샘플 주파수의 합을 계산한 후 이를 나누어 상대 주파수로 진행합니다. 이미 Fig. 2는 곡선이 등거리에 있는 경향이 있음을 보여줍니다. 움직이는 SMA 각각의 변동 범위도 고려합시다. 우리는 제곱근 법칙을 사용합니다(ZKK https://www.mql5.com/ru/forum/193378/page16#comment_5116118 공식 (2), 평균의 변동 규모는 기간의 근에 비례함), 나누기 d by Ti^0.5. 다음 그림 3에서는 곡선이 훨씬 더 가깝습니다. 두 번째로 ZKK를 진동 자체에 직접 적용할 때 진폭은 주파수의 제곱에 반비례합니다. 무화과에. 4, 분포를 자기 유사 형태로 만드는 마지막 단계가 완료됩니다.
나는 당신이 제기한 질문에 관심이 있습니다. 실제로 부과가 발생하지 않는다는 사실입니다. 나는 2년 동안 EURUSD 분을 사용했고 전체 시간 Tall(분)에 대해 T2분의 느린 평균에서 T1분의 기간으로 빠른 평균의 편차 수 N이 크기에 어떻게 의존하는지 확인하기로 결정했습니다. 4자리 점의 편차 d 0.0001. 평균 T1과 T2에 대해, 우리는 반개방 범위[d-0.5, d+0.5)에 속하는 차이의 샘플 주파수를 계산하고 이 주파수를 d와 연결하여 N(d, T1, T2)로 표시합니다. 그런 다음 만나는 모든 d 값에 대해 합 N(d,T1,T2)를 계산하고 N(d,T1,T2)로 나눕니다. 따라서 우리는 상대 샘플 주파수 n(d,T1,T2)을 얻습니다. T1,T2 쌍에 대한 합은 동일하고 1입니다. 두 쌍 (T1,T2) 및 (T3,T4)에 대해서는 비교하지 않습니다. , 그러나 코스에서 평균 Ti의 편차를 비교합니다. 이는 0분 주기의 평균이므로 계산 횟수를 줄일 수 있습니다. 실제로 한 번에 5개의 느린 평균 기간을 설정해 보겠습니다. T1 = 4 T2 = 16 T3 = 64 T4 = 256 T5 = 1024, 4분에서 17시간의 기간을 포함합니다. 이 5개의 느린 것들에 대한 빠른 평균은 1, T0 = 0, 코스 자체입니다. 즉 주파수 N(d,Ti,0)을 수집합니다. 사진에 더 좋습니다. 분석을 위해 Excel(750,000줄 94Mb) https://yadi.sk/d/97QaopiK3QbTv9 , (80Mb)에서 확인하려는 테이블이 만들어졌습니다.
쌀. 1. -350 ~ +350 포인트 범위의 기본 샘플 주파수 편차.
대칭이 표시되므로 다른 부호의 편차에 대한 빈도를 더하고 로그를 x축으로 확장합니다. 또한 로그 계산의 문제를 제거하기 위해 모든 주파수를 1씩 증가시킵니다. 우리는 쌀을 얻습니다. 2. 샘플 주파수의 합을 계산한 후 이를 나누어 상대 주파수로 진행합니다. 이미 Fig. 2는 곡선이 등거리에 있는 경향이 있음을 보여줍니다. 움직이는 SMA 각각의 변동 범위도 고려합시다. 우리는 제곱근 법칙을 사용합니다(ZKK https://www.mql5.com/ru/forum/193378/page16#comment_5116118 공식 (2), 평균 변동의 규모는 해당 기간의 근에 비례함), 나누기 d by Ti^0.5. 다음 그림 3에서는 곡선이 훨씬 더 가깝습니다. 두 번째로 ZKK를 진동 자체에 직접 적용할 때 진폭은 주파수에 반비례합니다. 무화과에. 4, 분포를 자기 유사 형태로 만드는 마지막 단계가 완료됩니다.
말해봐, 유리야, 너는 어떤 자기 유사성을 찾고 있었니? 나한테 무슨 일이 일어난 거 아니야?
sco보다 sao(절대 편차 평균)보다 우수합니다. 아마도 그것은 극단을 되돌려 놓을 것입니다 ... 거기에 뭔가가 있습니다.
일부 기계에서 편차를 계산했습니다. sko는 12점을 얻었다. 6점이 나왔다.
sko와 co의 가장 큰 차이점이 무엇인지 궁금합니다.
왜 퀴블, 공식이 있습니다. DIS는 실제로 훨씬 더 자주 사용되며 비교할 수 없을 정도로 더 자주 사용됩니다. 우선, LSM(최소 자승법)에 의해 생성된 단순성과 계산 효율성 때문입니다. 다음은 간단한 예입니다. 지금은 평균이 LSM, 산술과 같다고 가정하겠습니다.
많은 라인이 있습니다. 전자 형태의 위대한 소비에트 백과사전. 한 줄에 있는 공백 수의 평균 몫과 이 몫의 분산 표시기 중 하나, RMS 또는 이 평균과의 평균 모듈러스 편차를 계산해야 합니다(간단히 Cheb이라고 부를 것이고 그 이유를 알려 드리겠습니다) . 모든 회선을 통과할 때마다 비용이 많이 들고 책은 서로 다른 인터넷 리소스에 있으며 연결은 구리 쌍을 통한 모뎀입니다. 따라서 RMS를 계산하려면 하나의 패스로 충분합니다(라인 수, 공간 분수의 합, 공간 분수의 제곱의 합을 즉시 저장하고 이 합계에서 RMS를 즉시 계산합니다). Cheb 2가 필요합니다 (첫 번째에는 라인 수와 주식 합계를 누적하고 평균을 계산하고 두 번째에는 평균과의 절대 편차 합계를 누적하여 Cheb의 편차를 계산합니다 ). 노동 강도의 차이는 2배입니다.
그리고 어디에서나 던지는 곳마다 - Cheb의 방법으로 무언가를해야 할 경우 쐐기 모양입니다. 테이블 정의 함수를 근사화하는 작업은 솔루션에 대해 완전히 다른 비용을 생성합니다. 가장 간단한 경우, 우리는 함수를 상수로 대체합니다. 최소 제곱에 따르면 이것은 산술 평균이며 값 테이블을 한 번 통과할 때뿐만 아니라 모든 사람에게 명확합니다. 절대 편차를 최소화한 근사를 균일 근사 또는 체비쇼프라고 합니다. 그것에서 중앙값 평균을 찾아야합니다. 상수에서 절대 편차의 합에 대한 최소값을 제공하는 것입니다. 중앙값을 계산하는 방법을 고려하십시오. MQL에는 이를 위한 기성 기능이 있습니다. 그것이하는 일은 옳습니다. 먼저 모든 요소를 오름차순으로 정렬합니다. 그리고 이것은 산술 평균을 찾는 것이 전혀 아닙니다.
등등. 동시에 LSM이 현상에 대한 정상적인 생각을 왜곡한다는 점을 인식해야 합니다. 예를 들어, 평균 임금 수준과 같은. 이것은 통계 당국에서 평균 급여를 보고하는 데 사용됩니다. 회사에 25명의 직원이 있고 그 중 5명이 각각 100만 달러를 받고 나머지 20명이 5만 명을 번다면 산술 평균 급여는 6/25=240천이 되며 중위 평균은 5만 명이 됩니다.
에 대한. 바로 그거죠. 거래에서 중앙값 편차를 사용할 수 있습니다 ...
그런 다음 sko에서 요점을 볼 수 없습니다.
모든 편차 값은 제곱되었습니다. 그런 다음 평균 편차 제곱 값을 계산했습니다. 그런 다음 다시 그 뿌리를 가져갔습니다.
sco보다 sao(절대 편차 평균)보다 우수합니다. 아마도 그것은 극단을 되돌려 놓을 것입니다 ... 거기에 뭔가가 있습니다.
기계에서 계산된 편차. sko는 12점을 얻었다. 6점이 나왔다.
sko와 co의 가장 큰 차이점이 무엇인지 궁금합니다.
이상값에 대한 RMS의 민감도. 결국 이상치 편차는 제곱에 영향을 미치며, 이는 가중치 평균에 대해 이야기하는 경우 가중치가 급격히 증가하는 것과 같습니다.
진짜. 반대로, 그들은 기대지 않고 무게를 늘립니다! 이와 관련하여 sko는 sao보다 나쁩니다.
왜 모든 사람들이 그것을 표준으로 삼았습니까?
우리는 봤다)
sao와 sao의 편차가 크면 이상치가 많다는 것을 나타낼 수 있습니다. 또는 편차 값이 매우 다르며 거의 동일하지 않습니다.
진짜. 반대로, 그들은 기대지 않고 무게를 늘립니다!
대략적으로 말하자면, 모든 통계는 에너지 또는 작업(가스 이론)에 대한 설명에서 나왔습니다. 정확하지는 않지만 그렇게 할 것입니다.)
물체의 평균 에너지는 Wav=(M*V1^2/2 + M*V2^2/2+...)/n입니다. 저것들. 물체가 작업을 수행하려면 평균 속도 Vср=sqrt(Wср)/M이 있어야 합니다. 공식은 동일합니다.
평균 속도는 그러한 계산에 대해 절대적으로 아무 것도 제공하지 않습니다.
주제의 시작 부분에서 Alexander는 시장이 자기 유사하다고 썼습니다. 저것들. 다른 시간 척도에서 동일한 속성을 갖습니다.
이 상황을 명확히 하기 위해 상당히 다른 기간을 가진 여러 MA를 가져와 TF 1m에 표시하고 그에 대한 분포를 계산했습니다. 동일한 R에서 충분히 빠르게 이 작업을 수행할 수 있습니다.
시장의 자기 유사성으로 인해 확장 시 분포가 서로 겹쳐야 합니다. 중복이 없으며 분포가 서로 크게 다릅니다. 시장은 자기 유사하지 않다.
따라서 다른 시간 척도에서 작동하는 전략은 척도를 통해 다른 전략으로 이동할 수 없으며 일부 경우에는 전혀 이동할 수 없습니다.
비자기 유사성은 또한 다른 시간 간격에서 작동하는 전략이 기술 측면에서 서로 매우 다르다는 것을 확인합니다. 스캘핑, 일중, 단기 및 중기 전략, 장기 전략 - 이 모든 것이 매우 좋습니다. 다양한 거래 기법.
아마도이 모든 것이 사소하지만 전에 생각해 본 적이 없습니다.
주제에 따르면 Alexander의 전략은 "몇 시간 동안 지속되는 희귀 거래"이지만 우리는 확실히 알지 못하기 때문입니다. 우리 이전에는 데모 버전에 불과했습니다.
내 활동은 다른 시간 규모의 거래이며 시장의 자기 유사성이 없으면 완전히 다른 기술입니다. 일반적으로 시장의 내 부문이 아닙니다.)
즉, 소금에 절인 양배추를 직접 판매할 때 롤스로이스 딜러에게 조언을 하는 것은 어리석은 일입니다. 그건 그렇고, 그 반대도 사실입니다.
나는 당신이 제기한 질문에 관심이 있습니다. 실제로 부과가 발생하지 않는다는 사실입니다. 나는 2년 동안 EURUSD 분을 사용했고 총 시간 Tall(분)에 대해 T1분 주기의 느린 평균에서 T1분 주기의 빠른 평균의 편차 수 N의 의존성을 살펴보기로 결정했습니다. 4자리 점에서 편차 d의 0.0001. 평균 T1과 T2에 대해, 우리는 반개방 범위[d-0.5, d+0.5)에 속하는 차이의 샘플 주파수를 계산하고 이 주파수를 d와 연결하여 N(d, T1, T2)로 표시합니다.
그런 다음 만나는 모든 d 값에 대해 합 N(d,T1,T2)를 계산하고 N(d,T1,T2)로 나눕니다. 따라서 우리는 상대 샘플 주파수 n(d,T1,T2)을 얻습니다. T1,T2 쌍에 대한 합은 동일하고 1입니다. 두 쌍 (T1,T2) 및 (T3,T4)에 대해서는 비교하지 않습니다. , 그러나 코스에서 평균 Ti의 편차를 비교합니다. 이는 0분 주기의 평균이므로 계산 횟수를 줄일 수 있습니다. 실제로 한 번에 5개의 느린 평균 기간을 설정해 보겠습니다. T1 = 4 T2 = 16 T3 = 64 T4 = 256 T5 = 1024, 4분에서 17시간의 기간을 포함합니다. 이 5개의 느린 것들에 대한 빠른 평균은 1, T0 = 0, 코스 자체입니다. 즉, 주파수 N(d, Ti, 0)을 수집합니다. 사진에 더 좋습니다. 분석을 위해 Excel(750,000줄 94Mb) https://yadi.sk/d/97QaopiK3QbTv9(80Mb )으로 테이블을 만들었는데, 확인하려는 사람이 실수를 했을 수도 있습니다.
쌀. 1. -350 ~ +350 포인트 범위의 기본 샘플 주파수 편차.
대칭이 표시되므로 다른 부호의 편차에 대한 빈도를 더하고 로그를 x축으로 확장합니다. 또한 로그 계산의 문제를 제거하기 위해 모든 주파수를 1씩 증가시킵니다. 우리는 쌀을 얻습니다. 2. 샘플 주파수의 합을 계산한 후 이를 나누어 상대 주파수로 진행합니다. 이미 Fig. 2는 곡선이 등거리에 있는 경향이 있음을 보여줍니다. 움직이는 SMA 각각의 변동 범위도 고려합시다. 우리는 제곱근 법칙을 사용합니다(ZKK https://www.mql5.com/ru/forum/193378/page16#comment_5116118 공식 (2), 평균의 변동 규모는 기간의 근에 비례함), 나누기 d by Ti^0.5. 다음 그림 3에서는 곡선이 훨씬 더 가깝습니다. 두 번째로 ZKK를 진동 자체에 직접 적용할 때 진폭은 주파수의 제곱에 반비례합니다. 무화과에. 4, 분포를 자기 유사 형태로 만드는 마지막 단계가 완료됩니다.
말해봐, 유리야, 너는 어떤 자기 유사성을 찾고 있었니? 나한테 무슨 일이 일어난 거지?
쿨, 당신을 위한 작은 걸음(당신의 기술로)과 인류를 위한 큰 걸음을 내딛는 것이 남아 있습니다.
작은 시간 주기에서 예측에 대한 약간의 변화와 함께 같은 순간에 형성되는 더 큰 것의 특징을 결정합니다. 그리고 나머지를 주기가 다른 주기로 추정합니다. 이것은 예측이 될 것입니다.
그건 그렇고, 그것은 나에게 효과가 없었지만, 나는 상관 관계와 주기의 아핀 회전(비슷한 주기가 다른 각도에서 존재할 수 있음)을 통해 수학에서 그루터기를 했고 거기에서 종속성은 그렇게 게으르지 않을 수 있습니다. :)
아니면 오히려 무슨 일이 일어났는데 결과가 나에게 어울리지 않았다.. 코드와 그림의 예를 들 수 있다
나는 당신이 제기한 질문에 관심이 있습니다. 실제로 부과가 발생하지 않는다는 사실입니다. 나는 2년 동안 EURUSD 분을 사용했고 전체 시간 Tall(분)에 대해 T2분의 느린 평균에서 T1분의 기간으로 빠른 평균의 편차 수 N이 크기에 어떻게 의존하는지 확인하기로 결정했습니다. 4자리 점의 편차 d 0.0001. 평균 T1과 T2에 대해, 우리는 반개방 범위[d-0.5, d+0.5)에 속하는 차이의 샘플 주파수를 계산하고 이 주파수를 d와 연결하여 N(d, T1, T2)로 표시합니다.
그런 다음 만나는 모든 d 값에 대해 합 N(d,T1,T2)를 계산하고 N(d,T1,T2)로 나눕니다. 따라서 우리는 상대 샘플 주파수 n(d,T1,T2)을 얻습니다. T1,T2 쌍에 대한 합은 동일하고 1입니다. 두 쌍 (T1,T2) 및 (T3,T4)에 대해서는 비교하지 않습니다. , 그러나 코스에서 평균 Ti의 편차를 비교합니다. 이는 0분 주기의 평균이므로 계산 횟수를 줄일 수 있습니다. 실제로 한 번에 5개의 느린 평균 기간을 설정해 보겠습니다. T1 = 4 T2 = 16 T3 = 64 T4 = 256 T5 = 1024, 4분에서 17시간의 기간을 포함합니다. 이 5개의 느린 것들에 대한 빠른 평균은 1, T0 = 0, 코스 자체입니다. 즉
주파수 N(d,Ti,0)을 수집합니다. 사진에 더 좋습니다. 분석을 위해 Excel(750,000줄 94Mb) https://yadi.sk/d/97QaopiK3QbTv9 , (80Mb)에서 확인하려는 테이블이 만들어졌습니다.
쌀. 1. -350 ~ +350 포인트 범위의 기본 샘플 주파수 편차.
대칭이 표시되므로 다른 부호의 편차에 대한 빈도를 더하고 로그를 x축으로 확장합니다. 또한 로그 계산의 문제를 제거하기 위해 모든 주파수를 1씩 증가시킵니다. 우리는 쌀을 얻습니다. 2. 샘플 주파수의 합을 계산한 후 이를 나누어 상대 주파수로 진행합니다. 이미 Fig. 2는 곡선이 등거리에 있는 경향이 있음을 보여줍니다. 움직이는 SMA 각각의 변동 범위도 고려합시다. 우리는 제곱근 법칙을 사용합니다(ZKK https://www.mql5.com/ru/forum/193378/page16#comment_5116118 공식 (2), 평균 변동의 규모는 해당 기간의 근에 비례함), 나누기 d by Ti^0.5. 다음 그림 3에서는 곡선이 훨씬 더 가깝습니다. 두 번째로 ZKK를 진동 자체에 직접 적용할 때 진폭은 주파수에 반비례합니다. 무화과에. 4, 분포를 자기 유사 형태로 만드는 마지막 단계가 완료됩니다.
말해봐, 유리야, 너는 어떤 자기 유사성을 찾고 있었니? 나한테 무슨 일이 일어난 거 아니야?
이 모든 것이 다른 기간의 틱으로 무작위 걷기 차트에서 수행된다면?
주제의 시작 부분에서 Alexander는 시장이 자기 유사하다고 썼습니다. 저것들. 다른 시간 척도에서 동일한 속성을 갖습니다.
이 상황을 명확히 하기 위해 상당히 다른 기간을 가진 여러 MA를 가져와서 TF 1m에 표시하고 그에 대한 분포를 계산했습니다. 동일한 R에서 충분히 빠르게 이 작업을 수행할 수 있습니다.
시장의 자기 유사성으로 인해 확장 시 분포가 서로 겹쳐야 합니다. 중복이 없으며 분포가 서로 크게 다릅니다. 시장은 자기 유사하지 않다.
사진을 줄 수 있습니까? 스케일링은 어떻게 하나요?