The MSM model can be specified in both discrete time and continuous time. Let denote the price of a financial asset, and let r t = ln ( P t / P t − 1 ) {\displaystyle r_{t}=\ln(P_{t}/P_{t-1})} denote the return over two consecutive periods. In MSM, returns are specified as r t = μ + σ ¯ ( M 1 , t M 2 , t...
对于一个交易员来说，这是一场比赛，训练他的模型，并把它们塞进去，幸运的--好的，不幸运的--没有什么可失去的。
你有错误的联想。如果你的模型不被接受，是因为你过度捕捞或训练不足，这意味着你需要提高你的技能。你不一定要倒霉。
你有错误的联想。如果你的模型不被接受是因为你的脚步过快或训练不足，这意味着你的技能需要改进。运气与此毫无关系。
模型运行多长时间？ 如果他们一直有比赛，是短期的吗？
对我来说，为了获得利润，付出一些钱是更重要的。
每周都有一个新的旅游项目。在一个星期内，你必须训练模型并将预测结果发送给他们。但你的模型的前向估计只有在再过三周后才能知道，你的预测将与这三周的真实预测进行比较。
我认为他们至少保留了90%。
:)))我将在完成学习RL后开始重读你的课题。
而只是假设你的预测器会比我的好，那就太好了。
马克西姆，所附文件包含了AUDCAD的BP，该BP是在指数 刻度读数间隔（更确切地说--n=0.5的离散几何分布）下获得的。
A栏--投标
B栏--询问
C栏--滑动窗口的强度=10.000
E栏--时间戳。
如果时间戳=0，那么这就是一个人为的伪命题。
也就是说，在这个伪模式中仍有一个真正的BP "坐镇"。
你能从源BP中提取真正的BP，并将2个返回者BP滑入神经网络吗？一个--原始（伪+真），第二个--只有真实。
有趣的是。
当使用初始BP（伪+实）工作时，你应该意识到你是在用最简单的线程工作，没有内存
第2步：在这个最初的BP中，你应该只采取每2个报价。你将得到一个二阶埃朗流的结果。检查。
第3步：在这个最初的BP中，你应该只采取每3个报价。你将得到三阶Erlang流的结果。检查。
等等。
如果你得到一些令人难以置信的东西--你得到一个信号。
马克西姆，在所附文件中--AUDCAD的BP在指数刻度读数间隔（更准确地说--离散几何分布在n=0.5时）获得。
A栏--投标
B栏--询问
C栏--滑动窗口的强度=10.000
E栏--时间戳。
如果时间戳=0，那么这就是一个人为的伪命题。
也就是说，在这个伪模式中仍有一个真正的BP "坐镇"。
你可以从源BP中提取真实的BP，并将其送入有2个返回者BP的神经网络。一个--原始（伪+真），第二个--只有真实。
有趣的是。
我明天会试着把它塞到NS里去的 )
我明天会试着把它放进去）。
我在那里也添加了检查算法。请小心。
我也给它加了一个检查算法。请小心一点。
是的，我看到有了虱子后会更复杂，但我会小心地做)
将这些序列转换为МТ5的自定义符号，并得到单独的准备好的符号......如果他们工作的话
是的，我明白了，有了虱子就会更复杂，但我会做一些整洁的事情)。
这些行你需要转换为MT5的自定义符号，它们将作为独立的现成符号出现......如果它们成功的话
好吧，你可以反其道而行之--首先选择100阶的Erlang流，然后下移到最简单的:))
关于预测波动的问题。比方说，预测波动率要比预测报价本身容易得多
甚至还有各种各样的模型，如https://en.wikipedia.org/wiki/Markov_switching_multifractal
它能带来什么，如何正确使用它，有人做过吗？
关于预测波动的问题。比方说，预测波动率要比预测报价本身容易得多
甚至还有各种各样的模型，如https://en.wikipedia.org/wiki/Markov_switching_multifractal
它们有什么作用，如何使用它们，有人用它们做过什么吗？
相对于机器学习，GARCH被称为金融市场的主流（与协整和投资组合一起）。
这些模型考虑到了增量的一堆统计学上的细微差别，包括厚尾和长记忆，就像Hurst一样。
例如，有一份关于选择所有股票的GARCH模型参数的出版物，包括在S&P500指数中！这是对的。
有很多关于在外汇中应用的出版物。该工具包非常完善。例如，rugarch软件包。
所以，让我们离开农场，走到公路上，去参加 "告别斯拉维扬卡 "的游行吧！"。