文章 "通过差异化和熵值分析来探索市场"记忆""
我通常是斜着阅读文章的，但这篇文章我是慢慢地全文阅读的。作者展示的 "消化 "市场信息的系统非常奇特。
感谢您提供了一个有趣的话题和实施方法。
Alexander_K:
总之，马克斯还有很多话要讲，但作为第一口，这篇文章还是不错的。
这篇文章的表述风格和材料都很棒。即使在尝试理解了资料来源的算法之后，仍然觉得自己完全是个零，这让人非常愉快......
不过，"好东西 "总有鉴赏家，他们有深厚的知识来评价 "年轻同志 "的努力。
遗憾的是，与这样的超级专家不能不有交集。总之，要上不存在的黑名单。
Maxim Dmitrievsky:
开盘价 方面会有有趣的结果。
开盘价 方面会有有趣的结果。
本文有两个应用领域。
一个是理论上的。在这里，任何东西都可以被替代。
另一个是实际应用：测试仪。你不能这么做。通过这种方法，你根本无法实现预期。
但正是通过测试仪，你才能分析前景。它所展示的图景会让你把很多好点子都扔进篮子里。
ZЫ 有必要对测试仪的使用进行一些指导。
fxsaber:
这篇文章的表述风格和材料都很棒。即使在尝试理解了源代码的算法之后，我仍然觉得自己完全是个零，这让我非常愉快......
不过，"好东西 "总是有鉴赏家的，他们有深厚的知识来评价 "年轻同志 "的努力。
遗憾的是，与这样的超级专家不能不有交集。总之，要上不存在的黑名单。
我跟你没什么好说的，伙计。如果你不懂物理，就走开吧，瓦夏，别咳嗽了。
我说的是这篇文章--它是研究市场熵的首次尝试，理应如此。
fxsaber:
测试器中还缺少一样东西，这本来是计划添加的，但由于其复杂性，现在还没有添加。由于考虑的是线性趋势，当趋势发生变化时，它无法正确处理新数据。可以通过估算训练样本趋势线附近的方差并与新数据进行比较来解决这个问题，如果方差增大，就不要进行交易。这些都是微妙的技巧，对于不熟悉模拟数据的人来说并不明显。
文章中有两个应用。
一个是理论上的。在那里，的确什么都可以替代。
另一个是实际应用：测试仪。你不能这么做。你用这种方法破坏了期望矩阵。
但是，你可以通过 "测试器 "来分析前景。它所显示的情况会让很多好主意被扔进篮子里。
Alexander_K:
我说的是这篇文章--它首次尝试对市场熵进行研究，这是正确的。
结果已经 摆在了桌面上！
新文章 通过差异化和熵值分析来探索市场"记忆"已发布：
分数型差分的应用范围足够广泛。 例如，差分序列通常作为机器学习算法的输入。 问题是，必须在机器学习模型可识别的前提下，显示相应历史阶段的新数据。 在本文中，我们将研究时间序列差分的原始方法。 本文还包含基于所接收差分序列的交易系统自我优化示例。
智能交易系统利用指定的超参数运行，没有遗传优化，即几乎是随机，在 15 分钟的时间帧内以开盘价格在 EURUSD 货币对上运行。
图例 5. 已测试智能交易系统的设置
图例 6. 按照指定设置进行测试的结果
图例 7. 依据训练样本的虚拟测试器结果
在此间隔内，显示稳定增长，这意味着该方法可用于进一步分析。
作者：Maxim Dmitrievsky