par(mar=c(2,2,2,2),mfrow=c(3,2))
r <- rep( c(1:10,10:1) ,3)
r |> plot(t="l",main = "начальный ряд с какой то закономерностью")
rd <- c(0,diff(r))
for(i in 1:5) {
sa <- sample(1:length(rd),size = length(rd)/2)
rd[sa] <- rd[sa]/-1
rd |> cumsum() |> plot(t="l", main = "ваше преобразование")
}
你说这与世界 无线电通信会议无关是什么意思？
回答你自己，什么有用的特性被保留/丢失了。我已经用我的转换回答了这个问题。
什么是比特率？
信息流的宽度（在网络环境中）。
开始调整 ZZ 最小膝盖的大小（在剥头皮的合理范围内），并观察膝盖的总和。
剥头皮的合理范围是多少？从
，我在欧元兑美元从 0.00200 开始的条形图上开始赚取一些东西。但我担心，有你上面描述的调整。即，OOS 的最佳变体，只需将训练窗口移动 2-10%（即，2-10% 的线是不同的，其结果是建立不同的树，OOS 完全不同，甚至无利可图）即可破坏。
ZЫ 一般来说，如果有兴趣尝试找出两行之间的差异，可以提供这些差异。
我更感兴趣的是您的数据（拟合和目标）的真实训练数据集。看看用我的方法剥头皮能赚多少钱。
回答自己一个问题：保留/失去了什么有用的特性？我在转换过程中回答了这样一个问题。
如果我对你的转换理解正确的话
先取增量，然后随机选择增量的索引，要么保持不变，要么反转 (x/-1)。
让我们选取一些具有明显结构的抽象数列。
应用你的变换。
没有保留结构，只是随机中的随机...
我认为这根本不是模拟...
下面是代码
我对您的数据（小说和目标）的真实训练数据集相当感兴趣。看看用我的方法剥头皮能赚多少钱。
根据最高潜在利润选择历史数据的经纪商。例如，EURUSD_Broker1 的潜在利润高于 EURUSD_Broker2。那就选择 EURUSD_Broker1。
主要货币和交叉货币都可以剥头皮。但不是全部。只需在每种情况下进行训练，看看结果如何。我大致就是这么做的。
如果我没有理解错的话
先取增量，然后随机选择增量的索引，要么保持不变，要么翻转 (x/-1)
你对我的转换理解得完全正确。
让我们来看一些具有明显结构（规律性）的抽象数列。
你对我的变换理解得完全正确。
这个变换非常简单，即使没有图表也能清楚地看出，你可以得到任何单调递增的价格。那么，这就不能算是模拟了、
你必须意识到，你已经破坏了所有的趋势、
以及 DEM 的结构。
那就不能算是模拟了、
你必须意识到，你已经逆转了所有的趋势、
以及 DEM 的结构。
我敢肯定，我破坏的东西远比其他人少。不过，这已经足够了。
至于结构，这种方法是以大数定律为基础的，而大数定律正是结构的基础。它恰恰适用于原始数据数以千万计的情况。
我不想夸奖自己，但我非常怀疑是否有这样的工作涉及到 ticks 和如此强大的不变式：时间、传播、绝对增量（结果是胖尾、非平稳性、相关性等）。也就是说，有一亿个输入数据不变式。与模型的 "100 "个统计特征没有可比性。
尽管随机化具有如此独特的特征，但我们还是立即找到了一种检验方法，明确无误地回答了我们所面对的问题：随机化还是现实。
这里没有什么可争论或辩论的。所证明的不仅仅是 SB 与现实之间的差异，而是原始系列与随机化之间的微妙差异。价值在于反例。
看来我得到了一个有趣的随机生成器。
好主意！本质上，它是一个价格 BP，具有与真实价格 BP 相同的会话特征、相同的波动性，但是静态的。具有恒定的期望配对和明显恒定的方差。尾部是高斯分布。同时，平均利润为零减去总价差。
我敢肯定，我毁掉的东西比其他的要少得多。不过，这已经足够了。
我觉得你高估了这种方法，也许我遗漏了什么。