The term mutual information is drawn from the field of information theory. Information theory is busy with the quantification of information. For example, a central concept in this field is entropy, which we have discussed before. If you google the term “mutual information” you will land at some page which if you understand it, there would...
希望能读到一篇介绍您的方法的文章）。
常量模型和片断常量模型的问题在于我们不能不使用它们）事实上，使用经过优化或过度优化的智能交易系统的方法就是使用这种方法。只有手动交易的自由和创造性才能让我们避免使用这些模型)
其实很简单，重新优化的步骤应该比平均交易时间短得多。
将这种频繁的重新优化作为智能交易系统的内部部分是合乎逻辑的。这将导致新 EA 的出现，新参数调节旧参数的重新优化算法，而旧参数也必须偶尔优化和重新优化）。
将这种频繁的重新优化作为 EA 的内部部分是合乎逻辑的。这将导致出现一个新的 EA，其新参数调节旧参数的再优化算法，而旧参数也必须偶尔进行优化和再优化）。
有趣的文章。你可能会发现，在今后的文章中介绍互信息和概率会很有趣： '' '
----，点互信息可以理解为按比例的条件概率。在两个事件各自的概率下，相对于两个事件完全独立的情况，点互信息代表了我们看到两个事件同时发生的可能性的量化度量。h ttps:// eranraviv.com/understanding-pointwise-mutual-information-in-statistics/
--- 和排列熵 ： https://www.aptech.com/blog/permutation-entropy/
h ttps:// github.com/danhammer/info-theory/wiki/permutation-entropy
很简单，过度优化的步骤应该比平均交易持续时间小得多。
让我们用数字来表示：
平均交易时间为 1 小时，因此优化时间应小于 1/2 小时，我们认为最小可用输入数据为 TF M1
优化时，我们得到的新数据少于 30 条（M1），我们还不知道第一笔开仓交易的结果，但我们必须做出决定--预测，下一笔应该开什么仓？(或关闭当前交易？）
在我看来，如果我们把所有的花边都去掉，这种方法与计算周期小于 30 的指标交易和 TF M1 交易不谋而合，也就是说，由于前一笔交易的结果不确定（从管理理论来看--无反馈），所以这里没有优化。
好吧，把 "过度优化 "换成 "模型重新计算"。
本质不会改变--我们将始终使用带有特定参数集的智能交易系统，有时我们会更改这些参数。如果我们试图让这些参数以某种方式随时间变化，那么最终我们只会 得到 一个带有新参数的新系统，而新参数将决定旧参数如何随时间变化。
有趣的文章。你可能会发现，在今后的文章中介绍互信息和概率会很有趣： '' '' ''
----，点互信息可以理解为按比例的条件概率。在两个事件各自的概率下，相对于两个事件完全独立的情况，点互信息代表了我们看到两个事件同时发生的可能性的量化度量。'' https://eranraviv.com/understanding-pointwise-mutual-information-in-statistics/
--- 和排列熵 ： https://www.aptech.com/blog/permutation-entropy/
h ttps:// github.com/danhammer/info-theory/wiki/permutation-entropy
谢谢。我会写一点关于离散分布的信息论。这是概率依赖性的重要表现形式。
但对于本系列文章来说，包络熵的阐述将过于复杂。
本质不会改变--我们将始终使用带有特定参数集的智能交易系统，有时 我们会更改这些参数集。如果我们试图让这些参数以某种方式随时间变化，那么我们最终将得到 一个带有新参数的新系统，而新参数将决定旧参数如何随时间变化。
不是时间。而是取决于我们想要利用的市场属性的变化。
在第一近似值上，反应速率应与系统对之做出反应的事件的速率相匹配。
如果反应速率较高，则好。如果反应速度较低--则不好，我们没有时间做出反应。
也就是说，"有时"是不同的，取决于具体的系统。
让我们用数字来表示：
平均交易时间为 1 小时，因此优化时间应小于 1/2 小时，我们认为最小可用输入数据为 TF M1
优化时，我们得到的新数据少于 30 条（M1），我们还不知道第一次开仓交易的结果，但我们必须做出决定--预测，下一次应该开什么仓？(或关闭当前交易？）
是的，这就是所谓的 "减少决策延迟"。
关闭当前交易的决策和保留当前交易的决策是一样的。
决策的频率应使 TS 不受延迟的影响。
例如，我的系统每隔一个刻度 都会重新计算，因为几个点的价格变化对它们来说至关重要。
没错，这就是所谓的 "减少决策延迟"。
结束当前交易的决定和保留当前交易的决定在效力上是相同的。
应该经常做出决定，这样 TS 就不会受到延迟的影响。
好吧，我觉得有道理，我需要考虑一下