Хотим мы того или нет, но статистика в трейдинге играет заметную роль. Начиная с фундаментальных новостей, пестрящих цифрами, и заканчивая торговыми отчетами или отчетами тестирования, от статистических показателей никуда не деться. Вместе с тем, тезис о применимости статистики в принятии торговых решений остается одной из самых дискуссионных...
这是我几个月来最明智的帖子！ ...我需要考虑一下，我已经很久没有做了，我需要准备好我的身体，假期马上就要到了！"。
好吧，为了获得概率，你需要研究（实验，在我们的案例中是测试），没有其他方法，只有数据挖掘会有帮助，但我不看YouTube的教程，你一直回到我身边，每节课都是Python（（（））。
让我们在1月之后在Talov之前开始使用Python吧））在2季度也许会有。
我不知道这是否会有帮助，但!你可以试试相关性。把你想要的理想结果想象成你想要的曲线，然后在寻找最佳模型的过程中，通过计算相关性来比较当前的结果和理想的（你的理想曲线）。与理想的相关度最接近的模型将最接近你要找的模型
谢谢你的想法，但这是不可行的，因为理想是非常抽象的--不清楚它应该是什么。从表面上看，每一次迭代都应该给予改进，甚至是一些增量的改进，但这是一个微不足道的想法，现在还不清楚为什么MO的软件开发者没有实施它。要么是学习曲线太长，会使创造这种模式的产品没有竞争力，要么是对这个想法进行了真正的测试，没有发现任何好处。
由于某些原因，很少有关于通过TERV搜索模式的文章。
而且几乎没有关于贝叶斯的信息，即使有，也很难得到正确的信息。
贝叶斯的主要问题是选择正确的先验分布。在我们的案例中，一切都因非平稳性而变得复杂--可能出现时间依赖。
把先验的建立在大历史上，把后验的建立在小历史上，似乎很明显。问题是在非平稳性下正确地分离这些历史部分。
这正是关于通过服务器搜索模式的文章，由于某种原因，这些模式在信息方面是稀缺的。
为什么不呢 - 大量的，令人望而却步的，不可能掌握的。这就是所谓的GARCH。在那里，一个模型由三部分组成。
在理论家的意义上，一个人还需要什么来获得幸福？
也许这就是为什么无处可寻的原因，因为所有的东西都收集在各种车库里（我曾经发布过一个链接--100多个不同的车库）？
贝叶斯派的主要问题是选择正确的先验分布。在我们的案例中，它因非平稳性而变得复杂--可能出现时间依赖。
把先验的建立在大历史上，把后验的建立在小历史上，似乎很明显。问题是在非平稳性的情况下，如何正确隔离这些历史部分。
是的，这是显而易见的，而且已经通过MO（在一个人的理解水平上）做到了。第二个模型在每一步之后对第一个模型的信号进行修正。事实证明，它非常容易、快速和适应性强......但还需要更多研究。我甚至开发了一个理论（贝叶斯，以一种巧妙的方式）。
为什么不呢 - 吨，令人望而却步，不可能掌握。这就是所谓的GARCH。在那里，该模型由三部分组成。
在理论家的意义上，一个人还需要什么来获得幸福？
也许这就是为什么它无处可寻的原因，因为所有东西都被收集在各种车库里（一旦我发布链接--100多个不同的车库）？
或者说，也许在头脑中难以比较......例如，条件概率、关节等可以说是通过Garch定义的？
也就是说，如果我只是想设置搜索范围，可以说是搜索远处的模式，在不同的组合中，比如说，增量，时间间隔或其他什么的
我想在Python上做类似的事情（同样的时间将是实践）。
像这样：https://www.mql5.com/ru/articles/3264是的，这是显而易见的，而且，已经通过MO（在其理解水平上）做到了。第二个模型在每一步之后对第一个模型的信号进行修正。事实证明，它非常容易、快速和适应性强......但需要更多研究。我甚至给它装了一个理论（贝叶斯的，以一种巧妙的方式）。
还有一个明显的方法来建立一个先验分布。如果假设 "在极限/平均 "的价格表现得像SB，那么也可以在SB上建立这种分布。在少数情况下，这可以通过分析来完成，但通常是通过蒙特卡洛。这个方法比较复杂，不一定比前一个方法好。
还有一种明显的方法来构建先验分布。如果我们假设 "在极限/平均 "的价格行为像SB，那么我们也可以在SB上构建这种分布。在少数情况下，这可以通过分析来完成，但通常是通过蒙特卡洛。这个方法比较复杂，不一定比前一个方法好。
正态，Sharya :)或者像另一个Aleksey展示的在训练过的样本上的模型信号分布的曲线，先验的正态基础。
这些都是强有力的东西正态，sharite :)或者，正如另一个Alexei展示的模型信号分布在训练样本上的曲线，先验的正态基础。
这些都是强有力的东西一切都被非稳态性破坏了，这种非稳态性可能是尖锐的，也可能是蠕动的。
正态，你知道的:)或者像另一个Alexey展示的模型信号分布在训练过的样本上的曲线，一个先验的正常基础。
这些都是强有力的东西如果你指的是我，我在测试样本和测试样本上显示了曲线--我甚至不看训练的样本...