This short blog post illustrates how easy it is to use R and Python in the same R Notebook thanks to the package. For this to work, you might need to upgrade RStudio to the current preview version. Let’s start by importing : is an RStudio package that provides “a comprehensive set of tools for interoperability between Python and R”. With it...
因此，我假设各地的主体都是一样的--一个交易员，为什么他会根据工具的不同而改变自己的行为？
你终于在你的推理中决定，如果马在车前或反之亦然，没有什么区别--车在马前！这就是你的推理。))))
交易员要适应市场，因为没有一个市场参与者能告诉你明天的价格会在哪里，没有一个市场参与者能掌握所有市场参与者的所有信息。
如果我们假设市场都是一样的，价格行为也有类似的模式，那么为什么不把十几个工具合并到一个样本中，寻找所有市场的共同 "迹象 "呢？
假设，那么在优化器中，你将总是让你的TS找到优秀的解决方案（我希望你不考虑用止损和风险过大的交易），但通常一切都很悲哀，在一个市场上有效的东西可能在另一个市场上不起作用。
一般问题是这样的：把模型（市场）简化为笛卡尔坐标X和Y，基于你的假设，所有的市场都是一样的，那么有一个转换系数（线性或非线性），可以让你把一些数据转换成其他的--如果是这样，那么对NS来说就是一个问题，它解决了寻找输入数据对输出的依赖性的问题，一个乘法表还没有给NS提供唯一的懒人在这里；)
假设，那么在优化器中，你将总是让你的TS找到伟大的解决方案（我希望我们不是在考虑用超额的损失和过度的风险进行交易），但通常一切都很悲哀，在一个图表上工作的东西在另一个图表上不起作用。
这只表明神经元网或你使用的任何东西发现了另一种废话。 它紧紧抓住形式，在局部区域适应，是数百万个实现中的一个，但无法 "理解 "全局结构。但最主要的是--去，我是说去挣钱，对吗？
如果你是如此执着于MO，想把责任从自己的头上和眼里转移出去，而没有灵魂的修理工，那么这里有一个最后评估的 "标准"。如果你在15分钟的英镑上找到了 "东西"，那么在几分钟的黄金和国内 "化学 "的日周线上，以及在一切事物上，包括拉里-威廉姆斯时代的糖和大豆上，它的效果应该是差不多的。
很抱歉这么无礼（伊戈尔-马卡努：不是指你个人，而是泛指），睁开眼睛看看《长期的秘密》一书中的图表......或者Linda Raschke有一些图片，你从15分钟的英镑或比特币手表中看到许多不同之处吗 :)
如果你以盈利交易的百分比来判断，以利润系数来判断，这一切都取决于工具和时间框架，差异是正负3-4%，没有更多。 随着时间框架的增长，模式的稳定性在下降。 最准确的是在 "ticks "上，无论你如何测试，系统参数都和以前一样严格。然后随着时间的推移，误差不断积累，图案变得更加模糊。 形成图案的时间越长，图像的晃动就越强。 但图案结构并没有 "散架"，即使在MN上，它仍然是同一个图案，区别在于百分比。
--
所有市场图表 的 "同一性 "的铁的基础是存在的，它们不可能纯粹是物理上的不同。 它们也不可能随着时间的推移而改变，甚至是 "一毫米"，好吧，除非例如光速的改变或PI的数量。
我不止一次链接到一本书，书中说到为什么它们是一样的，为什么它们不能随着时间而改变。
我有2016-2017年的培训，然后只是检查了2014-2018年的单子，并选择了那些每年都盈利并符合其他一些标准（整体增长/没有重大缩水）的。所以我在想，这样的模式是否可以使用。
关于不同工具的组合，这里的许多预测器是不同时间间隔的点数收益，它对不同的工具不起作用。
什么是可以查看个别树叶及其统计数据的软件包或程序？
你在那里教的是1棵树还是一片森林？这只表明神经网络或你使用的任何东西找到了另一个假的。 它紧紧抓住形式，在局部部分进行调整，是数百万个执行变体中的一个，但不能 "理解 "全局结构。但最主要的是开车，也就是赚钱，对吗？
如果你对国防部如此执着，希望把责任从自己的脑袋和眼睛转移到一个没有灵魂的修理工身上，那么这里就是最终评估的 "标准"。如果你在15分钟的英镑上找到了 "东西"，那么在几分钟的黄金和国内 "化学 "的日周线上，以及在一切事物上，包括拉里-威廉姆斯时代的糖和大豆上，它的效果应该是差不多的。
对不起，我太粗鲁了（伊戈尔-马卡努：这不是针对你个人，而是针对一般人），睁开你的眼睛，看看 "长期的秘密 "一书中的图表......或者Linda Raschke有一些图片，你从15分钟的英镑或比特币手表中看到许多不同之处吗 :)
如果你以盈利交易的百分比来判断，以利润系数来判断，这一切都取决于工具和时间框架，差异是正负3-4%，没有更多。 随着时间框架的增长，模式的稳定性在下降。 最准确的是在 "ticks "上，无论你如何测试，系统参数都和以前一样严格。而后随着时间的推移，一个个错误被积累起来，图案变得更加模糊。 形成图案的时间越长，画面的颤动就越强烈。
--
所有市场图表"相同 "的铁的基础是存在的，它们不可能纯粹是物理上的不同。 它们也不可能随着时间的推移而改变，即使是一 "毫米"，那么除非例如光速改变或PI的数量改变。
我已经不止一次给了一本书的链接，它说了一切，既说明了为什么它们是一样的，也说明了为什么它们不能随着时间而改变。
我很抱歉，我并不总是有时间阅读所有的讨论，我会阅读的，反正现在也没什么可读的。
R或Python？为什么不同时进行？在R中使用Anaconda Python与{reticulate}。
发，需要一个像Jurica的JMA一样的普通过滤器，但要在71年之前。
最好不要太复杂，用R语言。有吗？
没有。
在时期适应方面，我在mcl4上使用定稿的JMA已经很长时间了，但它没有什么用：它像其他东西一样褪色。我不得不不时地用我的手进行干预。
我使用指标作为预测器，但我不知道有什么平滑法对我的目标变量有预测能力。
如果是关于过滤器，有一个奇怪的包，叫做smooth。平滑化的内部坐着卡尔曼与状态空间。它提供了质量非常好的混杂物，并且有提前几步的推断（预测）。
但对我来说， 最主要的还是：对目标的预测能力，而这个包里的所有东西都是同一个问题：没有预测能力。
这就是为什么我放弃了所有的过滤器、平滑和其他东西。
在你的推理中，你最终决定，无论是马在车前还是车在马前，都没有什么区别！这就是你的想法。))))
交易员要适应市场，因为没有一个市场参与者能告诉你明天的价格会在哪里，没有一个市场参与者能掌握所有市场参与者的所有信息。
交易员是一个集体形象，它是表达一个人（自然人或法人）意愿的人，他通过运用自己的技能满足客户的需求来影响市场。这就是为什么我说，所有工具的集体类似技能都会获胜，不是因为知识或技能本身，而是因为使用的利益相关者资产的数量。再加上全球的技术分析宗教，这对大多数市场参与者来说是不适用的（一旦折算成中央银行要求专业证券市场 参与者知道这些定理的链接）......你无法知道价格会在哪里，我们的任务是了解价格将如何根据所选择的运动矢量而移动，并将进入交易的成本，即风险价格降到最低。
假设在优化器中，你将总是有你的TS将找到伟大的解决方案（我希望与超额补偿损失和超额风险的交易，我们不考虑），但通常所有是可悲的，什么工作在一个图表上不工作在其他
一般问题是这样的：把模型（市场）简化为笛卡尔坐标X和Y，基于你的假设，所有的市场都是一样的，那么有一个转化率（线性或非线性），它允许你把一些数据转换成其他数据--如果是这样，那么对NS来说是一个问题，它完美地解决了寻找输入数据对输出的依赖性的问题，乘法表不是由懒人喂给NS的；)
我的工作更多的是预测器，它描述了市场，我已经有300多个预测器了，300个输入对SN来说太复杂了......。这就是为什么我使用树状模型。在任何情况下，任务是将点转换为相对单位，使预测器不依赖于工具。 我用每日ATR做，但可能有更好的方法 - 我不知道。在任何情况下，我需要尝试不同的数据转换方法，因为我的训练样本不是很丰富--不是所有的变化都被考虑到了，或者是以一种小的量化形式出现，从而无法识别规则（形成列表）。
在什么软件包或程序中，你可以观看个人床单和统计他们的工作情况？
你在那里训练的是一棵树还是一片森林？是的，在Deductor Studio中进行取样工作是非常有指导意义的--你可以重建分支或从头开始建立一棵树--这是一个非常好的工具，可以了解树的工作原理并测试你的假设。缺点是，包裹是有偿的，你不能轻易卸下规则（叶子）......
我使用R脚本生成具有遗传性的树，然后我使用脚本在每次迭代时卸载树数据，然后我使用单独编写的解析器程序，它将树转换为这种格式的叶子。
然后我使用EA，它从文件和财务结果中读取预测器，并在优化模式 "数学计算 "中对它们进行处理，在它里面我已经通过计算财务指标和其他统计数据来收集统计数据，这些数据从代理商那里以框架形式传递给EA，并作为结果收集在一个文件中。
然后我看一下每个报告期的表。
是的，在Deductor Studio中进行取样工作是非常有指导意义的--你可以重建分支或从头开始建立一棵树--这是一个非常好的工具，可以了解树的工作原理并测试你的假设。缺点是，包裹是有偿的，你不能轻易卸下规则（叶子）......
我使用R脚本生成具有遗传性的树，然后我使用脚本在每次迭代时卸载树数据，然后我使用单独编写的解析器程序，它将树转换为这种格式的叶子。
然后我使用EA，它从文件和财务结果中读取预测器，并在优化模式 "数学计算 "中对它们进行处理，在它里面我已经通过计算财务指标和其他统计数据来收集统计数据，这些数据从代理商那里以框架形式传递给EA，并作为结果收集在一个文件中。
接下来，我看一下该表在每个报告期的表现。
天啊，你手动做的所有事情都应该由神经元网来完成，所以....。浪费时间，如果结果是负面的，你会有很多挫折感和寻找其他方法。
锤子。为方便起见，尝试使用背光（热图）。
是的，我见过这种带背光的实现，但这是一个单独的算法，要写，还要吸引画布，我根本没有处理过。这就是为什么我用公式把它拉出来。但地图会很有趣，但又最好使用多维的...
现在我在想，为一个模型收集树叶时，应该以什么为目标，首先我选择了稳定的树叶--我已经写好了，然后是过滤树叶（我有-1/0/1的分类--出售/不进入/购买），分别过滤 "不进入 "组的树叶和 "购买 "组的树叶进行出售。而事实上它们是来自 "卖出 "组--因为要么模式是假的，要么应用叶子入市 的图表没有覆盖这个表面的入市信号，但在忽略入市方面过滤得很好。到目前为止，过滤器的标准如下--提高利润，减少缩水，减少连续亏损的次数，所以你可以采取4-6片叶子，在3倍/4倍的时期内，将一次提高所有这些指标，一般的指标--利润和缩水。然后要么把选择的注意力集中在盈利能力和正确条目的百分比上，要么我认为要尝试为每片叶子（1-2片）找到一个单独的过滤器，这比较昂贵，但在理论上应该更有效。