文章 "模式搜索的暴力方法"
有趣的想法！但我想指出的是，序列的选择是错误的，因为在我看来，量化的位移并不能反映运动的几何形状，而且从概率论的角度来看，在一个无限大的样本上，你最终并没有进行复原，你会得到无限多的条形尺寸序列，有时会得到结果。但这样就无法识别数字（模式）....。也就是说，您可以，但需要进行重构操作。
傅里叶级数也许可以，我将来也会尝试，事实上，规律性仍然是可以区分的，只是并不是到处都是，而且在不同的周期也是不同的。在这里，我只是想分析一下它们大约能工作多长时间。事实上，要在一篇文章中进行如此深入和全面的分析是不可能的。计算需要大量的能量和时间。而且这个程序还不是最终版本，我还会增加更多功能。到目前为止，只是浅尝辄止。关于柱状移动，您可以在一行中添加最高值和最低值，以及平均价格，我考虑过这个问题，也许我很快就会进行修改。但我不认为这样会好很多。结果更多地取决于公式的自由度。我也不指望它会有什么超酷的效果。我们的终极目标只是随着分析时间的增加而提高分析质量，而系统能够完成这项任务。它甚至能在整个历史中找到规律性。我只是没有展示出来 )
我将来可能会尝试傅里叶级数，事实上，规律性仍然很突出，只是并非到处都是，而且不同时期的规律性也不同。在这里，我只是想大致分析一下它们的作用时间。事实上，要在一篇文章中进行如此深入和全面的分析是不可能的。计算需要大量的能量和时间。而且这个程序还不是最终版本，我还会增加更多的功能。到目前为止，只是浅尝辄止。关于柱状移动，您可以在一行中添加最高值和最低值，以及平均价格，我考虑过这个问题，也许我很快就会进行修改。但我不认为这样会好很多。结果更多地取决于公式的自由度。我也不指望它会有什么超酷的效果。我们的终极目标只是随着分析时间的增加而提高分析质量，而系统能够完成这项任务。它甚至能在整个历史中找到规律性。我只是没有展示出来 )
我不会与你争论，我的主要高等教育基本上是与连续数据的处理联系在一起的（我不能透露所有的微妙之处 - 现在它被遵循），因此，我只是建议你摆脱你的策略，选择一个 "三 - 七 - 王牌 "的组合，并转向有一个地方总是工作的数字（至少具有较高的概率），他们只有两个共同的缺点与你的方法 - 价格的浮动范围和信号形成的时期。即使在您的方法中，也基本上需要根据计算出的频繁市场形态（数字）调整工作 TF 和波动率 - 而圣杯 就在您的口袋里。为此目的，您的方法是可行的，因为它非常快，然后根据 5 个连续的 TF（例如 1、2、3、4、5 分钟）和 3 个波动率范围（通过简单系数 1、0.8、0.5 使波动率正常化）重新计算您的公式，如果在某些变量中您将得到一个最大函数，这意味着目前市场的周期和波动率具有这样的比率。不过，这也不能保证这一比率至少还能持续一个计算周期。因此，我建议关注倒频谱分析，在这种分析中，您只需要确定一个参数--符合参考模型的临界值，以及该模型在 bars.... 中形成的最大长度。技术分析理论家们绘制了许多模型。
利用特定的现有序列可以用已知族中的某个公式来描述的想法，然后按照暴力....
嗯，是的，只是这个想法得到了另一个想法的补充，即这个公式不可避免的误差可以用另一个公式来考虑。但不可避免地会再次出现误差，我们将尝试用第三个公式来考虑这些误差，如此循环往复，无穷无尽。
在概率方法（例如回归）中，假定误差是不可避免的，但它是" 井然有序 "的（静止过程）。
嗯，是的，只是这种想法得到了另一种想法的补充，即可以用另一个公式来考虑这个公式不可避免的误差。但不可避免地又会出现误差，我们将尝试用第三个公式来考虑这些误差，如此循环往复，无穷无尽。
在概率方法（例如回归）中，假定误差是不可避免的，但它是" 井然有序 "的（静止过程）。
不幸的是，回归法非常适用于物理过程，即那些有明确模式或至少有足够强的惯性矩的过程，而在货币世界中，价格向某个方向变动的概率很小--根据我对简单交易者某些策略的估计，这个概率与 50/50 非常接近，似乎没有问题，但这是在一个非常大的周期上，而在一个短周期上，连续 15 个黑点，然后 "归零"!!!!！
因此，从理论上讲，似乎每个人都是百万富翁，但在实践中，流失后的....
新文章 模式搜索的暴力方法已发布：
在本文中，我们将搜索市场模式，根据确定的模式创建 EA 交易，并检查这些模式，如果它们保持有效的话，保持有效的时间有多少。
神经网络本质上也是一种暴力。但是它的算法与简单的暴力算法有很大的不同。我将不提供具体的神经网络结构及其元素的细节，但将尝试提供一个一般性的描述。我认为，如果我们坚持某种架构，我们就提前限制了算法的能力。固定的架构是无法弥补的限制。在我们的例子中，神经网络是一种可能策略的架构。因此，神经网络的配置总是与具有网络图的某个文件相对应，这总是指向特定元的集合。它就像一台3D打印机：设置项目参数，打印机就会产生它。因此，神经网络是一种通用代码，没有图纸就没有意义。这就像使用任何高级编程语言，只创建一个空项目，而不利用它的所有功能。结果，空模板什么也不做。神经网络也是如此。与暴力不同，神经网络可以提供几乎无限的策略变化、任意数量的准则和更高的效率。这种方法的唯一缺点是效率在很大程度上取决于代码质量。系统复杂性的增加可能导致程序的资源密集度的增加。结果，我们的策略被转换成一个网络图，这是它的等价物。暴力方法也是如此，但这里我们使用一些简单的数字序列。这个序列比网络图简单得多，它更容易计算，但在效率方面也有限制。下面的方案显示了上述说明。
换句话说，使用暴力方法，我们选择一个与代码交互并产生不同结果的数字序列。但是由于算法是固定的，所以它的灵活性就包含在数字数组中。其长度固定，结构简单。当使用神经网络时，我们搜索一个能给出最佳结果的网络图。在任何情况下，我们搜索特定的字节序列，或最终转换成结果算法的数据。唯一的区别在于它们的能力和复杂性。
作者：Evgeniy Ilin