Alım-satım fırsatlarını kaçırıyorsunuz:
- Ücretsiz alım-satım uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Web sitesi politikasını ve kullanım şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Mumu, her biri [-1.0; 1.0]. Bu, O ve C'nin H ve L'ye göre konumudur.
bu nasıl yapılır?
Yüksekliğe göre, H 1'dir, L -1'dir, sırasıyla O ve C'yi H ve L'ye göre ifade eder.
burada mumun oynaklığı dikkate alınmaz, tüm hesaplamalar mumun içindeymiş gibi yapılır ve ne tür bir mum olduğu, boşluk veya küçük bir dojik MO görmez
Bence en normal şey % artış ama doğru saymıyorum
mumların kümelenmesiyle ilgili bir seçim ama nasıl normalleştiklerini açıklamıyorlar ve sonucu açıklayanlar da bana uymadı
https://www.elitetrader.com/et/threads/statistical-analysis-of-candlesticks-patterns.285918/
http://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-1/
http://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-2/
http://intelligenttradingtech.blogspot.com/2010/06/quantitative-candlestick-pattern.html
burada mumun oynaklığı dikkate alınmaz, tüm hesaplamalar mumun içindeymiş gibi yapılır ve ne tür bir mum olduğu, boşluk veya küçük bir dojik MO görmez
Bence en normal şey % artış ama doğru saymıyorum
volatilite sadece dikkate alınması gerekmez. ve boşluklardan kurtulmanız gerekir (mumları boşluğun mesafesine göre kaydırın)
ders bitti)))
Teşekkür ederim, anladım. Çok basit görünüyor, inanmıyorum ama kontrol edeceğim.
İşaretin ayrı bir öngörücü olması da garip, mumun boyutunu aşağıdaysa negatif yapardım. Bu da mutlaka denenmeli.
Teşekkür ederim, anladım. Çok basit görünüyor, inanmıyorum ama kontrol edeceğim.
İşaretin ayrı bir öngörücü olması da garip, mumun boyutunu aşağıdaysa negatif yapardım. Bu da mutlaka denenmeli.
ve anlamadığım bir şey var
hedef nasıldı
formül nereden geldi?
Hedef değişken üzerindeki etkileri için tahmin edicileri seçmeden başka hiçbir şeyin önemli olmadığını düşünmeye devam ediyorum. Bu ilk adım . Ya gürültü tahmin edicilerini kaldırırız ve sonra fazla uymayan bir model oluşturma şansımız artar ya da gürültü tahmin edicileri kalır ve bu da mutlaka fazla uydurmaya yol açar. Ve aşırı eğitilmiş modelin gelecekteki davranışı hiçbir şekilde geçmişteki davranışıyla ilgili olmadığından, böyle bir aşırı eğitilmiş modele ihtiyaç yoktur.
Tahmin edicilerin önemini belirlemeye yönelik bir başka ilginç yaklaşım. Aynı zamanda, önem testinin belirlenmesi için çok sayıda algoritma kullanılmamaktadır.
İşte bu gönderiden tamamlanmış kod
> n <- 10000
>
> x1 <- runif(n)
> x2 <- runif(n)
> y <- -500 * x1 + 50 * x2 + rnorm(n)
>
> model <- lm(y ~ 0 + x1 + x2)
>
> # 1a. Standardized betas
> summary(model)$coe[,2]
x1 x2
0.02599082 0.02602010
> betas <- model$coefficients
> betas
x1 x2
-500.00627 50.00839
> imp <- abs(betas)/sd.betas
Ошибка: объект 'sd.betas' не найден
> sd.betas <- summary(model)$coe[,2]
> betas <- model$coefficients
> imp <- abs(betas)/sd.betas
> imp <- imp/sum(imp)
> imp
x1 x2
0.9091711 0.0908289
> imp1 <- abs(model$coefficients[1] * sd(x1)/sd(y))
> imp2 <- abs(model$coefficients[2] * sd(x2)/sd(y))
>
> imp1 / (imp1 + imp2)
x1
0.9095839
> imp2 / (imp1 + imp2)
x2
0.0904161
> # 2. Standardized variables
> model2 <- lm(I(scale(y)) ~ 0 + I(scale(x1)) + I(scale(x2)))
> summary(model2)
Call:
lm(formula = I(scale(y)) ~ 0 + I(scale(x1)) + I(scale(x2)))
Residuals:
Min 1Q Median 3Q Max
-0.0236475 -0.0046199 0.0000215 0.0046571 0.0243383
Coefficients:
Estimate Std. Error t value Pr(>|t|)
I(scale(x1)) -9.932e-01 6.876e-05 -14446 <2e-16 ***
I(scale(x2)) 9.873e-02 6.876e-05 1436 <2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.006874 on 9998 degrees of freedom
Multiple R-squared: 1, Adjusted R-squared: 1
F-statistic: 1.058e+08 on 2 and 9998 DF, p-value: < 2.2e-16
> abs(model2$coefficients)/sum(abs(model2$coefficients))
I(scale(x1)) I(scale(x2))
0.90958355 0.09041645