交易中的机器学习：理论、模型、实践和算法交易 - 页 2475 1...246824692470247124722473247424752476247724782479248024812482...3399 新评论 JeeyCi 2021.10.26 18:56 #24741 Evgeniy Ilin # :为了在神经网络中实现这一点，神经元的类型应尽可能地不同，层数及其组成也应是任意的，那么就有可能。 是的，为了近似于相互独立的参数，试图将它们减少到1个输出--人们确实需要从统计学上权衡到当前时刻的深层历史数据--即有一个有代表性的样本（越大--越有可能达到目标）......在一个黑盒子里处理它们（权衡）......但这都是统计学，甚至可能离当前的经济阶段很远......-只要得到一个方差较大的平均数 就可以了（还有变异系数） 我们似乎已经经历了30年的完整经济周期--最好是从类似的经济发展阶段 中了解当前的迹象（我想是这样）--以减少初始数据的样本（）。但我个人没有这些数据（对我来说是必要的，因为我相信在这么长的时间内进行有意义的分析的有效性）.... Evgeniy Ilin # : 大家大多使用固定架构的神经网络，但由于某些原因，他们不明白架构也必须是灵活的，通过破坏这种灵活性，我们破坏了最小化再训练的可能性。一般来说，同样的标准当然可以应用于简单的模型，甚至需要，那么你会得到一个很好的前瞻，我的模型给出了几个月的前瞻利润，设置可能在一天内更新。基本技巧之一是尽可能多的数据（10年的历史或更多），在这种情况下，我们正在寻找全球模式，它们是基于市场本身的物理学，在大多数情况下，在很长一段时间内都是有效的。 这不是骗人的把戏，而是企图逃避现实......。印象中 (有可能得到一个正常的远期--用较少的成本--合乎逻辑--得到一个正常的远期--不分析当前时刻的哈士奇和胡说八道--尽管一切都只通过比较来学习，在黑盒子里也是 如此，但首先你还是会使用你的大脑，然后甚至不那么深入的机器学习，但只涉及当前时刻的一部分，通过当前市场情况下的重要迹象）--然后所有来自历史的必要数据就会丢失... 尽管如此，对生态系统 的理解，以及对其中物质和能量交换的知识基础，再加上对驱动新闻/事件的及时认识，是一种弄清进化的 方法，而不需要为了平均数和差异而加载这样的个人能力。印象中 但感谢你的观察...但对我来说，这种深度学习的必要性是值得商榷的（尽管我想对于黑盒子来说，这是无可争议的）。 Evgeniy Ilin 2021.10.26 19:06 #24742 mytarmailS#: 我的设想当然不是一个基准，我主要是从节省时间的角度来谈的，只是因为我和很多人谈过，我认为这不是什么秘密，我们5年后再看这个论坛，可能会自嘲，我只是认为，所有的发展都不是空穴来风，你应该努力把你所得到的东西扩大。我经常想把这一切都搞砸，但由于某些原因，我没有这样做，尽管它没有带来钱。在我看来，这种经验是有价值的，每个人都有他自己的价值，但我们能做的就是要么继续前进，要么去酒馆喝酒。在我看来，我们只需要扩大和加强我们已经开始的工作，而且在我看来，这可能非常简单。我越是把事情复杂化，越是想把一些奇怪的数学放在里面，这一切就越是不可预测。说实话，我想每个花了几年时间的人都明白，他们不会得到100%的月薪，而那些没有花那个时间的人，会看着你的100年，买一个月薪100的信号，甚至不注意它挂了两个月。 Evgeniy Ilin 2021.10.26 19:16 #24743 JeeyCi#: 是的，为了近似于相互独立的参数，试图将它们变成一个输出--人们确实需要从统计学上权衡到当前时刻的深层历史数据--即有一个代表性的样本（越大--越有可能达到目标）......在一个黑匣子里处理它们（权衡）......但这都是统计学，甚至可能离当前的经济阶段很远......-只要得到一个方差较大的平均数 就可以了（还有变异系数）我们似乎已经经历了30年的完整经济周期--最好是从类似的经济发展阶段 中了解当前的迹象（我想是这样）--以减少起始数据的样本（）。但我个人没有这些数据（对我来说，要相信如此长时期的有意义的分析的有效性是必要的）....。这不是诡计，而是试图摆脱现实......。印象中 (有可能得到一个正常的前进--以较少的成本--逻辑--不分析沙哑和缺乏对当前时刻的意义--尽管一切都只是通过比较知道的，也是在黑盒子里，但我仍然会先打开我的大脑，然后甚至不是那么深的机器学习，但只涉及当前时刻的部分迹象在当前市场情况下的重要）--然后所有需要的历史数据都不见了...尽管如此，对生态系统 的理解，以及对其中物质和能量交换的知识基础，再加上对驱动新闻/事件的及时认识，是一种弄清进化的 方法，而不需要为了平均数和差异而加载这样的个人能力。印象中但感谢你的观察...但对我来说，这种深度学习的必要性是值得商榷的（尽管我想对于一个黑盒子来说，这是不可否认的））。 方差和其他偏差是基于概率而不是微分方程分析系统的自然结果，你能得到的只是一个微分方程系统，其中的变量是注意 "某些事件的概率"，那些对你来说似乎很重要的事件，你能预测的只是概率而不是精确值。一旦你明白这一点，事情就会变得容易，你就不会害怕变异或其他事情。你总是会得到差异，你的任务只是把它降到最低。你不能100%准确地预测系统的长期行为，但你可以达到某些数字，这足以让你在交易中获利。我的意思是不要做机器的工作，给它一些自由，你会发现它比你更清楚它需要什么数据。顺便说一下黑盒子，越黑的盒子越聪明。人工智能正是建立在这一原则之上。 JeeyCi 2021.10.27 07:28 #24744 Evgeniy Ilin#: .我的观点是，不要替机器做工作，给它自由，你会发现它比你更清楚它需要什么数据。说到黑盒子，越黑的盒子就越聪明。人工智能是建立在这个原则之上的。 - 嗯，我明白了，输入的数据越多（和选择的特征），近似估计甚至基于它的预测就越准确（尽管仍有误差的概率）...... 在你的帖子之后，开发者的责任范围 变得更清晰了一些。 Evgeniy Ilin #: 方差和其他偏差是基于概率而不是微分方程分析系统的自然结果，你能得到的只是一个微分方程系统，其中的变量是注意 "某些事件的概率"，那些对你来说似乎很重要的事件，而你能预测的只是概率，但不是准确值。 使用牛顿正向差分公式寻找衍生品的算法 EvgeniyIlin # : .你总是会有偏差，你的任务只是把它们降到最低。 是的，在我之前留下的链接上有一张图片~预测和误差收敛到抛物线的最底部（这是为了避免过度训练和及时停止）--进化以螺旋方式进行到这一点（所以我猜测随着加速度的降低，直到完全停止--直到差异从大到小，就像掉进了一个漏斗）。 p.s. 我用VBA计算隐含波动率--用牛顿-拉普森 迭代法计算隐含波动率编码了一次--找不到任何信号...而且可以理解的是（因为黑洞在货币上根本不起作用，因为那里的一切都不像人们所梦想的那样二元分布） ...说实话，我对牛顿一点都不熟悉--他是否发明了这么多不同的东西（？），或者这（你的前锋和我的隐含波动率）是否来自同一条线，在同一个角度和同一个计算的本质......。？......我不想在我不相信的事情上浪费我的时间--我不相信金融建模。 Algorithm To Find Derivatives Using Newtons Forward Difference Formula www.codesansar.com Following steps are required inorder to find derivatives using forward difference formula: JeeyCi 2021.10.27 07:29 #24745 但仍有一个选择目标函数的问题...- 也是开发者的责任...- 你的建议是什么？ (虽然是的，你确实使用了正向差分) p.s. 关于自由度的问题 -我 再看看 JeeyCi 2021.10.27 07:43 #24746 相信需求-供应...在蜘蛛网模型中（重点是弹性和Walrasian） - 在平衡-失衡中 - 确定方向...(对于走出平淡进入趋势的概率）--只有OI和时间管理（包括不能总是由Walras指导）... 对于事实--玻璃（解析水平或哎呀--弹出的冰山）--当然，最好不要解析，而是平静地通过，当有人已经解析了水平，并且不存在相反的情况（故障后测试更好--在玻璃和磁带上也可见）。 Aleksey Nikolayev 2021.10.27 08:59 #24747 JeeyCi#: 关于瓦拉斯 很喜欢关于奶酪村和葡萄酒治疗中心的那篇。 Evgeniy Ilin 2021.10.27 10:51 #24748 JeeyCi#: 我只能告诉你牛顿的情况。我知道有根据过去现有的曲线来预测远期，我很久以前就这样做了，它对价格完全不起作用，从字面上看，如果你是这个意思。但如果你试图预测回测图的前进方向，它是有效的，但有一些细微的差别，比如这样。 这纯粹是我的经验。任何预测东西的方法都是基于用一些多项式对函数进行插值，然后构建延续，我不知道牛顿是怎么做的，但最有可能的是把导数计算成深阶，然后把它作为这个函数的常数，当然，这一切都会随着时间而改变（在市场上，这种预测根本不起作用，我检查过）。如果我们向前预测一个回溯测试，它应该是尽可能直的，并在其中有尽可能多的点（在这种情况下，数据或交易，那么我们可以提前一点看）。换句话说，如果我们找到了一个具有足够窄的波动范围的尽可能多的一阶导数的样本，这样的推断方法将部分发挥作用，主要的是不要贪心，及时停止。下面我只是展示了如何通过抽签来处理不确定性（如果我们不知道预测的确切位置会失去力量）。我可以对傅里叶变换进行插值，并将序列画到未来，但它对任意函数不起作用。而关于学习漏斗，好吧，你可以用不同的方式来控制再学习，我从来没有拿过别人的公式，只是因为如果需要的话，我可以在短时间内拼凑出自己的公式，而且它们很可能更容易、更有用，只是因为我什么都懂，所以我一直都是，从来没有遇到过任何困难。 JeeyCi 2021.10.27 14:02 #24749 Evgeniy Ilin#: 我只能告诉你牛顿的情况。我知道有基于过去的曲线的前瞻性预测，我在很久以前就这样做了，它对价格完全不起作用，从字面上看，如果你是这个意思。 这纯粹是我的经验。任何预测事物的方法都是基于用一些多项式进行函数插值，然后构建延续，我不知道牛顿是怎么做的，但...(在市场上这样的预测根本不起作用，经过测试）。 这个结论对我来说很有意思--谢谢你！"。- Evgeniy Ilin#: 训练漏斗呢，你可以用不同的方式控制再教育，我从来没有用过别人的公式，只是因为如果有必要，我可以在短时间内做出自己的公式，而且可能会更容易、更有用，只是因为我明白一切，我从未遇到过任何问题。 +1，但我不是物理专业...虽然我更接近我自己的逻辑，而不是使用别人的模型 Evgeniy Ilin# : 如果你想向前预测回测，你必须使图表尽可能的直，并在其中有尽可能多的点（在这种情况下，数据或交易，那么你可以向前看一点）。换句话说，如果我们找到了一个具有足够窄的波动范围的尽可能多的一阶导数的样本，这样的推断方法将部分地发挥作用。 一般来说，有一个正常的抛物线，从该抛物线的第一导数是线性的...我们最终只得到其斜率的系数（就像清除了噪音的趋势）--以及你所描述的所有附带的东西（大量一阶导数的狭窄范围）...只是要称到脸色发青？(几层，直到输出为抛物线）......或者说是它的直线1倍导数 Evgeniy Ilin#: 方法本身在这里是次要的，有可能对傅里叶进行插值，并向未来画出一个延续，但对任意的函数不会有效果。 这就是神经网络让我感兴趣的地方，不是推导出一个分布并与表格/经验分布进行比较，也不是通过比较无效假设和表格假设来寻找每一个喷嚏的统计学确认（直到 "我的平均值是否正确"）...- 这是某种上世纪的统计处理...一般来说，不是为了证明模型和预测的有效性和误差，所有这些都是用上个世纪的表格来证明的（请原谅我的表达）。 或者说，只是多层加权（我把它当作一个神经网络）...就像我说的：直到脸色发青？(几层，直到我们在输出中得到一个抛物线）......或者说是它的直接1倍导数？ ? "或者一般来说，忘记各种函数（包括抛物线），只是搜索权重*信号（事件）->下一级......而在每一级，函数的选择或多或少应该是琐碎的，就像在Excel的Solution Finder（要么是线性依赖，要么是非线性依赖，要么是独立数据）【虽然我不知道Excel的引擎盖下有这些名字，但这是细节，强调逻辑】。 并在下一级的信号收敛点（考虑到以前的权重）计算所有接收信号的差异...... 我是否正确理解了神经网络 和机器对混沌力量的区分，而不需要坚持任何曲线/直线--在我看来，这只能是混沌结构化的结果，而不是一个起点......这都是同一个开发者的责任--我不相信也看不到有什么理由在 近似/插值混沌时将任何来自书籍/博客/文章的金融模型（以及经过统计学处理的分布）放入金融分析中......以便进一步推断 p.s. 我深知，在抛物线上只有速度（x处的系数）和加速度（x^2处的系数）以及自由项的位移，当然它的一阶导数是线性的......。公式让我害怕，尤其是其他人的模型。 JeeyCi 2021.10.27 15:05 #24750 Evgeniy Ilin#: 这里有一些真理，但我检查了我的模型，主要是知道我们指望的是什么样的前进。问题是在重新训练中，为了不重新训练，我们应该争取分析的数据与最终的标准集的最大比例，换句话说，有数据压缩，例如，我们可以分析抛物线图的数据，取几千个点，把所有的东西简化为三个系数 A*X^2 + B*X + C。那是数据压缩质量较高的地方--那是前进的地方。考虑到这种数据压缩，可以通过引入其质量的正确标度指标来控制再培训。在我的案例中，它是以一种更简单的方式进行的--我们采取固定数量的系数，并使样本量尽可能大，它的效率较低，但它是有效的。 早些时候找到了你的答案...我一定是匆匆忙忙地发了前一个帖子......可能真的应该至少从抛物线开始，作为描述速度和加速度的运动的函数......。(我甚至在某个地方看到过这种类型的图表和期权的希腊数（delta和gamma）--我不记得了，也不想去找它--我需要时间分析--水平的，不是垂直的）。 1...246824692470247124722473247424752476247724782479248024812482...3399 新评论 原因: 取消 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
为了在神经网络中实现这一点，神经元的类型应尽可能地不同，层数及其组成也应是任意的，那么就有可能。
是的，为了近似于相互独立的参数，试图将它们减少到1个输出--人们确实需要从统计学上权衡到当前时刻的深层历史数据--即有一个有代表性的样本（越大--越有可能达到目标）......在一个黑盒子里处理它们（权衡）......但这都是统计学，甚至可能离当前的经济阶段很远......-只要得到一个方差较大的平均数 就可以了（还有变异系数）
我们似乎已经经历了30年的完整经济周期--最好是从类似的经济发展阶段 中了解当前的迹象（我想是这样）--以减少初始数据的样本（）。但我个人没有这些数据（对我来说是必要的，因为我相信在这么长的时间内进行有意义的分析的有效性）....
大家大多使用固定架构的神经网络，但由于某些原因，他们不明白架构也必须是灵活的，通过破坏这种灵活性，我们破坏了最小化再训练的可能性。一般来说，同样的标准当然可以应用于简单的模型，甚至需要，那么你会得到一个很好的前瞻，我的模型给出了几个月的前瞻利润，设置可能在一天内更新。基本技巧之一是尽可能多的数据（10年的历史或更多），在这种情况下，我们正在寻找全球模式，它们是基于市场本身的物理学，在大多数情况下，在很长一段时间内都是有效的。
这不是骗人的把戏，而是企图逃避现实......。印象中
(有可能得到一个正常的远期--用较少的成本--合乎逻辑--得到一个正常的远期--不分析当前时刻的哈士奇和胡说八道--尽管一切都只通过比较来学习，在黑盒子里也是 如此，但首先你还是会使用你的大脑，然后甚至不那么深入的机器学习，但只涉及当前时刻的一部分，通过当前市场情况下的重要迹象）--然后所有来自历史的必要数据就会丢失...
尽管如此，对生态系统 的理解，以及对其中物质和能量交换的知识基础，再加上对驱动新闻/事件的及时认识，是一种弄清进化的 方法，而不需要为了平均数和差异而加载这样的个人能力。印象中
但感谢你的观察...但对我来说，这种深度学习的必要性是值得商榷的（尽管我想对于黑盒子来说，这是无可争议的）。
我的设想当然不是一个基准，我主要是从节省时间的角度来谈的，只是因为我和很多人谈过，我认为这不是什么秘密，我们5年后再看这个论坛，可能会自嘲，我只是认为，所有的发展都不是空穴来风，你应该努力把你所得到的东西扩大。我经常想把这一切都搞砸，但由于某些原因，我没有这样做，尽管它没有带来钱。在我看来，这种经验是有价值的，每个人都有他自己的价值，但我们能做的就是要么继续前进，要么去酒馆喝酒。在我看来，我们只需要扩大和加强我们已经开始的工作，而且在我看来，这可能非常简单。我越是把事情复杂化，越是想把一些奇怪的数学放在里面，这一切就越是不可预测。说实话，我想每个花了几年时间的人都明白，他们不会得到100%的月薪，而那些没有花那个时间的人，会看着你的100年，买一个月薪100的信号，甚至不注意它挂了两个月。
是的，为了近似于相互独立的参数，试图将它们变成一个输出--人们确实需要从统计学上权衡到当前时刻的深层历史数据--即有一个代表性的样本（越大--越有可能达到目标）......在一个黑匣子里处理它们（权衡）......但这都是统计学，甚至可能离当前的经济阶段很远......-只要得到一个方差较大的平均数 就可以了（还有变异系数）
我们似乎已经经历了30年的完整经济周期--最好是从类似的经济发展阶段 中了解当前的迹象（我想是这样）--以减少起始数据的样本（）。但我个人没有这些数据（对我来说，要相信如此长时期的有意义的分析的有效性是必要的）....。
这不是诡计，而是试图摆脱现实......。印象中
(有可能得到一个正常的前进--以较少的成本--逻辑--不分析沙哑和缺乏对当前时刻的意义--尽管一切都只是通过比较知道的，也是在黑盒子里，但我仍然会先打开我的大脑，然后甚至不是那么深的机器学习，但只涉及当前时刻的部分迹象在当前市场情况下的重要）--然后所有需要的历史数据都不见了...
尽管如此，对生态系统 的理解，以及对其中物质和能量交换的知识基础，再加上对驱动新闻/事件的及时认识，是一种弄清进化的 方法，而不需要为了平均数和差异而加载这样的个人能力。印象中
但感谢你的观察...但对我来说，这种深度学习的必要性是值得商榷的（尽管我想对于一个黑盒子来说，这是不可否认的））。
方差和其他偏差是基于概率而不是微分方程分析系统的自然结果，你能得到的只是一个微分方程系统，其中的变量是注意 "某些事件的概率"，那些对你来说似乎很重要的事件，你能预测的只是概率而不是精确值。一旦你明白这一点，事情就会变得容易，你就不会害怕变异或其他事情。你总是会得到差异，你的任务只是把它降到最低。你不能100%准确地预测系统的长期行为，但你可以达到某些数字，这足以让你在交易中获利。我的意思是不要做机器的工作，给它一些自由，你会发现它比你更清楚它需要什么数据。顺便说一下黑盒子，越黑的盒子越聪明。人工智能正是建立在这一原则之上。
.我的观点是，不要替机器做工作，给它自由，你会发现它比你更清楚它需要什么数据。说到黑盒子，越黑的盒子就越聪明。人工智能是建立在这个原则之上的。
- 嗯，我明白了，输入的数据越多（和选择的特征），近似估计甚至基于它的预测就越准确（尽管仍有误差的概率）......
在你的帖子之后，开发者的责任范围 变得更清晰了一些。
方差和其他偏差是基于概率而不是微分方程分析系统的自然结果，你能得到的只是一个微分方程系统，其中的变量是注意 "某些事件的概率"，那些对你来说似乎很重要的事件，而你能预测的只是概率，但不是准确值。
使用牛顿正向差分公式寻找衍生品的算法
.你总是会有偏差，你的任务只是把它们降到最低。
是的，在我之前留下的链接上有一张图片~预测和误差收敛到抛物线的最底部（这是为了避免过度训练和及时停止）--进化以螺旋方式进行到这一点（所以我猜测随着加速度的降低，直到完全停止--直到差异从大到小，就像掉进了一个漏斗）。
p.s.
我用VBA计算隐含波动率--用牛顿-拉普森 迭代法计算隐含波动率编码了一次--找不到任何信号...而且可以理解的是（因为黑洞在货币上根本不起作用，因为那里的一切都不像人们所梦想的那样二元分布）
...说实话，我对牛顿一点都不熟悉--他是否发明了这么多不同的东西（？），或者这（你的前锋和我的隐含波动率）是否来自同一条线，在同一个角度和同一个计算的本质......。？......我不想在我不相信的事情上浪费我的时间--我不相信金融建模。
但仍有一个选择目标函数的问题...- 也是开发者的责任...- 你的建议是什么？
(虽然是的，你确实使用了正向差分)
p.s.
关于自由度的问题 -我 再看看
相信需求-供应...在蜘蛛网模型中（重点是弹性和Walrasian） - 在平衡-失衡中 - 确定方向...(对于走出平淡进入趋势的概率）--只有OI和时间管理（包括不能总是由Walras指导）...
对于事实--玻璃（解析水平或哎呀--弹出的冰山）--当然，最好不要解析，而是平静地通过，当有人已经解析了水平，并且不存在相反的情况（故障后测试更好--在玻璃和磁带上也可见）。
关于瓦拉斯
很喜欢关于奶酪村和葡萄酒治疗中心的那篇。
我只能告诉你牛顿的情况。我知道有根据过去现有的曲线来预测远期，我很久以前就这样做了，它对价格完全不起作用，从字面上看，如果你是这个意思。但如果你试图预测回测图的前进方向，它是有效的，但有一些细微的差别，比如这样。
这纯粹是我的经验。任何预测东西的方法都是基于用一些多项式对函数进行插值，然后构建延续，我不知道牛顿是怎么做的，但最有可能的是把导数计算成深阶，然后把它作为这个函数的常数，当然，这一切都会随着时间而改变（在市场上，这种预测根本不起作用，我检查过）。如果我们向前预测一个回溯测试，它应该是尽可能直的，并在其中有尽可能多的点（在这种情况下，数据或交易，那么我们可以提前一点看）。换句话说，如果我们找到了一个具有足够窄的波动范围的尽可能多的一阶导数的样本，这样的推断方法将部分发挥作用，主要的是不要贪心，及时停止。下面我只是展示了如何通过抽签来处理不确定性（如果我们不知道预测的确切位置会失去力量）。我可以对傅里叶变换进行插值，并将序列画到未来，但它对任意函数不起作用。而关于学习漏斗，好吧，你可以用不同的方式来控制再学习，我从来没有拿过别人的公式，只是因为如果需要的话，我可以在短时间内拼凑出自己的公式，而且它们很可能更容易、更有用，只是因为我什么都懂，所以我一直都是，从来没有遇到过任何困难。
我只能告诉你牛顿的情况。我知道有基于过去的曲线的前瞻性预测，我在很久以前就这样做了，它对价格完全不起作用，从字面上看，如果你是这个意思。
这纯粹是我的经验。任何预测事物的方法都是基于用一些多项式进行函数插值，然后构建延续，我不知道牛顿是怎么做的，但...(在市场上这样的预测根本不起作用，经过测试）。
这个结论对我来说很有意思--谢谢你！"。-
训练漏斗呢，你可以用不同的方式控制再教育，我从来没有用过别人的公式，只是因为如果有必要，我可以在短时间内做出自己的公式，而且可能会更容易、更有用，只是因为我明白一切，我从未遇到过任何问题。
+1，但我不是物理专业...虽然我更接近我自己的逻辑，而不是使用别人的模型
如果你想向前预测回测，你必须使图表尽可能的直，并在其中有尽可能多的点（在这种情况下，数据或交易，那么你可以向前看一点）。换句话说，如果我们找到了一个具有足够窄的波动范围的尽可能多的一阶导数的样本，这样的推断方法将部分地发挥作用。
一般来说，有一个正常的抛物线，从该抛物线的第一导数是线性的...我们最终只得到其斜率的系数（就像清除了噪音的趋势）--以及你所描述的所有附带的东西（大量一阶导数的狭窄范围）...只是要称到脸色发青？(几层，直到输出为抛物线）......或者说是它的直线1倍导数
方法本身在这里是次要的，有可能对傅里叶进行插值，并向未来画出一个延续，但对任意的函数不会有效果。
这就是神经网络让我感兴趣的地方，不是推导出一个分布并与表格/经验分布进行比较，也不是通过比较无效假设和表格假设来寻找每一个喷嚏的统计学确认（直到 "我的平均值是否正确"）...- 这是某种上世纪的统计处理...一般来说，不是为了证明模型和预测的有效性和误差，所有这些都是用上个世纪的表格来证明的（请原谅我的表达）。
或者说，只是多层加权（我把它当作一个神经网络）...就像我说的：直到脸色发青？(几层，直到我们在输出中得到一个抛物线）......或者说是它的直接1倍导数？
? "或者一般来说，忘记各种函数（包括抛物线），只是搜索权重*信号（事件）->下一级......而在每一级，函数的选择或多或少应该是琐碎的，就像在Excel的Solution Finder（要么是线性依赖，要么是非线性依赖，要么是独立数据）【虽然我不知道Excel的引擎盖下有这些名字，但这是细节，强调逻辑】。
并在下一级的信号收敛点（考虑到以前的权重）计算所有接收信号的差异......
我是否正确理解了神经网络 和机器对混沌力量的区分，而不需要坚持任何曲线/直线--在我看来，这只能是混沌结构化的结果，而不是一个起点......这都是同一个开发者的责任--我不相信也看不到有什么理由在 近似/插值混沌时将任何来自书籍/博客/文章的金融模型（以及经过统计学处理的分布）放入金融分析中......以便进一步推断
p.s.
我深知，在抛物线上只有速度（x处的系数）和加速度（x^2处的系数）以及自由项的位移，当然它的一阶导数是线性的......。公式让我害怕，尤其是其他人的模型。
这里有一些真理，但我检查了我的模型，主要是知道我们指望的是什么样的前进。问题是在重新训练中，为了不重新训练，我们应该争取分析的数据与最终的标准集的最大比例，换句话说，有数据压缩，例如，我们可以分析抛物线图的数据，取几千个点，把所有的东西简化为三个系数 A*X^2 + B*X + C。那是数据压缩质量较高的地方--那是前进的地方。考虑到这种数据压缩，可以通过引入其质量的正确标度指标来控制再培训。在我的案例中，它是以一种更简单的方式进行的--我们采取固定数量的系数，并使样本量尽可能大，它的效率较低，但它是有效的。
早些时候找到了你的答案...我一定是匆匆忙忙地发了前一个帖子......可能真的应该至少从抛物线开始，作为描述速度和加速度的运动的函数......。(我甚至在某个地方看到过这种类型的图表和期权的希腊数（delta和gamma）--我不记得了，也不想去找它--我需要时间分析--水平的，不是垂直的）。