В настоящее время известно большое количество различных методов прогнозирования, основывающихся только на анализе прошлых значений временной последовательности, то есть методов, использующих принципы, принятые в техническом анализе. Основным инструментом этих методов является схема экстраполяции, когда свойства последовательности, выявленные на...
顺便说一下，你有没有见过一个从数组中随机输出一个数字而不重复的生成器--这正是我需要的。
你应该带着一个条件进入生成器，检查是否有下一个随机，顺便看看生成器的质量将立即可见。
得到了更多的树木，相当不错--在考试样本上，准确率超过了60%。
事实证明，在寻找交易的同时，止损和出场是交织在一起的，这是符合逻辑的--如果交易已经做多，止损就不会被打掉，可能是因为它们是大的。
我应该附上模型吗？
是的，附上它们。
我希望它取决于进入的星期，进入的时间，SL和TP。
我们应该在测试器中按退出时间运行该系统，看看会发生什么。虽然出场时间和持续时间是间接参数，只有在SL或TP触发时才会知道。我们将不得不使用暴力。
再一次。
根据Kolmogorov的说法，要预测一个时间序列，需要2个条件。
1.期望值=常数
2.ACF不等于0。
"白噪声"、"硬币 "等在原则上是不可预测的，因为它们的ACF=0。
我们非常幸运，市场时间序列增量的ACF不等于0。因此，增量是可以 预测的。
但我们 对第一个条件"预期报酬=常数 "却没有任何 收获。标准TF上任何样本的增量的平均值相对于0有很强的 "浮动"。
结论：为了获得相对于0的最小期望方差，BP预处理（减薄）是必要的。然后根据对下一个增量（而不是价格！）的预测做出有利可图的TS的机会增加了许多倍。
就这样了。
再一次。
根据Kolmogorov的说法，要预测一个时间序列，需要2个条件。
1.期望值=常数
2.ACF不等于0。
"白噪声"、"硬币 "等在原则上是不可预测的，因为它们的ACF=0。
我们非常幸运，市场时间序列增量的ACF不等于0。因此，增量是可以 预测的。
但我们 对第一个条件"预期报酬=常数 "却没有任何 收获。标准TF上任何样本的平均增量相对于0都是非常 "浮动 "的。
结论：为了获得相对于0的最小期望方差，BP预处理（减薄）是必要的。然后根据对下一个增量（而不是价格！）的预测做出有利可图的TS的机会增加了许多倍。
一切都是。
显然，这些反思最好在另一个主题中讨论。MO和NS离策略逻辑的主题有点远。今天的做法是尝试对包的历史进行训练，并考虑真实数据的结果。
关于这个问题，我不同意静态期望的条件。如果矩阵描述系列的误差较小，那么该系列是稳定的，同时数学期望值并不总是静态的或超过必要的。它可能更少，但数学模型可能以最小的误差描述它。
显然，这些反思最好在另一个主题中讨论。IO和NS离策略逻辑的主题有点远。今天的做法是在数据包历史上尝试训练，并考虑真实数据的结果。
关于这个问题，我不同意静态期望的条件。如果矩阵描述系列的误差较小，那么该系列是稳定的，同时数学期望值并不总是静态的或超过必要的。它可能更少，但数学模型可以以最小的误差来描述它。
我很少在这里出现，也不想讨论什么。
我说的都是事实。没有一个超级工程的神经元网可以处理标准TFs（M1、H1、......）的标准数据集。这是一个公理。
只有对BP增量的预处理才可能提供通往圣杯 的道路。阿门。
我不常来这里，我不想讨论任何事情。
我只是实话实说。没有一个超级工程的神经网络可以处理标准TFs（M1、H1、......）的标准数据集。这是一个公理。
只有对BP增量的预处理才可能提供通往圣杯的道路。阿门。
可以的，但准确率将是60-70%。在H,H4,D时间框架上，这就足够了。
嗯...我会看一看。我还没有使用过高于M15的时间框架...
是的，附上它。
我希望它取决于进入的日期、进入的时间、SL和TP。
我们应该在测试器中按退出时间运行该系统，看看会发生什么。虽然出场时间和持续时间是间接参数，只有在SL或TP触发时才会知道。我们将不得不使用暴力。
因此，该实验基本上证实了 "减少损失，让利润流动 "的规则。
该模型附在后面。
嗯...我去看看。我还没有与M15以上的TF合作过......
因此，该实验基本上证实了 "减少损失，让利润流动 "的规则。
所附模型。
准则
损失略少