в коде использовались однотипные не коррелирующие индикаторы, и методом Монте Карло просто моделировалось их срабатывание. Все индикаторы, на каждом баре принудительно опрашивались, и если сигнал на вход в рынок имелся у всех одновременно, открывалась позиция. Далее подсчитывалось количество удачно открытых позиций и относилось к полному количеству открытых позиций. Так определялась достоверность прогноза Р по группе индикаторов.
Но, из-за этого можно, не превышая заранее заданный рыночный риск, увеличить капитализацию открываемых позиций! И это кординально увеличивает доходность (в $ за единицу времени) мультивалютной ТС по сравнению с любой одновалютной из этого порфеля.
这只有在p=const.的情况下，对所有的对都是如此。而这是不可能的。
想象一下，P=0.55。那么仅仅2-3个点的波动就会从根本上 改变该货币对的情况。此外，我不是反对一般的多样化，而是反对选择多样化而不是P=0.8。
如果你有机会选择，你会喜欢什么。
1.使用2-3个指标，这些指标提供可靠的预测0.8和可接受的交易频率
2.通过一组具有相同的0.55预测精度的工具进行分散。
但是，是什么让你认为我们的结果有分歧？
谢尔盖，我也没有这么说，我是在和尤里讨论细节问题。你被带去解释实验的细节。谢谢你。:о)
PS：我非常怀疑尤里写了不止一个指标，并试图在你的研究后 "适应 "它们（这是一个笑话：o））。
有趣的是!所以我对你的实验方法有误解。现在我有很多问题。
哪些职位被认为是成功的开局，哪些是不成功的？成功是一个无法定义的概念。如果它的方向错了，它也可以转过来。反之亦然。
你是如何确保指标的固定概率的？毕竟，如果你能做到有保证，这意味着它们不是来自标准的清单，而是人为的东西。这就更有意思了，因为你在市场数据上做了实验，这意味着他们的概率P符合你对幸运开盘的定义。
你是如何确保他们的独立性的？
当然，除非这一切是个秘密。
有趣的是!所以我误解了你的实验方法。现在出现了很多问题。你认为哪些职位是成功开设的，哪些是没有的？运气是一个不确定的概念。如果它的方向错了，它也可以转过来。反之亦然。你是如何确保指标的固定概率的？毕竟，如果你能做到有保证，这意味着它们不是来自标准的清单，而是人为的东西。这就更有意思了，因为你在市场数据上做了实验，这意味着他们的概率P符合你对幸运开盘的定义。你是如何确保他们的独立性的？ 当然，除非这一切是个秘密。
通过对当今最流行的TS的不完全分析，我们可以有把握地断言，市场行为的全部种类实际上就是预测开仓后的价格运动方向和这种运动的可能幅度。最后一点的答案可以通过对 所选时间段的标准差 的分析在统计学上可靠地给出：
s=SQRT{SUM{（Close[i-k]-Open[i-k]）^2}/（n-1）}。对于单个玩家，我们可以得到一个在市场上花费的平均时间的估计。因此，在时间框架上生成了与保持头寸的平均时间相等的价格序列后，我们在下一个条形图的开盘时开仓（如果有指标信号），在同一条形图的收盘时平仓。很明显，这个问题的充分解决将使TS的利润率最大化。代码有整个价格系列，而 "指标 "事先知道蜡烛的 "未来 "颜色。一个随机数生成器，其期望值被一个固定的值移位，"混合 "了指标，使正确预测的概率与任务条件的要求相吻合。在这个定义中，价格序列的类型并不重要--它可以是单一振幅的蜿蜒曲折，其长度能够满足结果的统计有效性要求。在这种情况下，当下一个条形图的颜色与指标预测相吻合时，就认为是一个积极的结果，它们的独立性来自于实验的表述。
这只有在p=const.的情况下，对所有的对都是如此。而这是不可能的。设想一下，P=0.55。那么仅仅2-3个点的波动就会
从根本上 改变该货币对的情况。此外，我不是反对一般的多样化，而是反对选择多样化而不是P=0.8。 如果你有选择，你会选择什么： 1.用2-3个指标工作，提供0.8的预测可靠性和可接受的交易频率 2.用一组具有相同0.55预测可靠性的工具进行多样化
如果p=0.55，甚至更糟，你将不得不使用7-8个指标。我们在哪里可以找到这样的独立指标？好吧，即使我们采取了这些措施，我们也必须等待所有这些措施在全年内同时运作（这是我的意图和目的）。都是为了什么？ 为了减少缩减。让我们来估计一下是多少。 平均缩减值
D 大致与这些缩减的平均时间成正比，幂数为1-P，其中P-指标或指标组的预测可靠性：
D(t)=t^(1-P)。在多货币组合的情况下，缩减规模取决于使用的
n个 工具的数量：
Dm(t)=SQRT(1/n)*t^(1-P)。反过来，使用MM原则的TS的盈利能力随着缩减的增加而
呈 指数式快速下降。此外，我们记得多指标TS的收益率（以美元计）随着P 的增加而呈指数级快速下降，或者随着使用的指标数n 的增加而呈指数级快速下降（见上一篇文章的图片）。假设第一种和第二种情况的特征t 时间是可比的，我们得到对于多币种的TS来说， 收益的对数 随着工具的数量而增加：
SQRT(n)*const^(1-p)。而在多仪器的情况下，如：
const^（1-P）-n。第一个函数随着配对数量的增加而单调增长，而第二个函数则随着指标数量的增加而减少。因此，最好是增加所使用的工具的数量，而不是增加指标的数量!这就是为什么我选择了很多货币和很少的指标。尤拉，我很清楚这种说法的严重性。但你必须同意，至少它反映了一般的动态，并允许我们详细分析市场上最佳行为的标准。
你已经很好地说服了我。我需要重新考虑我在这个问题上的直觉方法。
在这个论坛和平行的MQ论坛上，偶尔会有关于数学在交易中的价值的讨论。
我相信你所说的足以让一个有偏见的反对者也承认这一价值。
对于你的实验，我只能说一句话：非常有指导意义。逻辑性强，结构化，最重要的是，简单。几乎是显而易见的。从中可以学到一些东西。谢谢你，谢尔盖。
关于投资组合中许多工具和TS的使用，有相当完善的理论和实践。例如，我们知道，一个最佳的投资组合应该由相关性最小的工具或TS组成。所以把它增加到最大限度并不是好事。它需要根据上述考虑，具体选择和管理每个TS的资本数额。但多样化的唯一目的将是平滑所产生的股权（减少风险）。
关于建立一个基于几个指标或模式的系统。有一种误解，认为系统只是显示上升或下降信号。情况当然不是这样。每个系统都试图利用价格行为的可能情况。如果两个系统显示有可能出现相同的情况，这意味着它们是兼容的，因此有必要选择最可靠的一个。如果两个系统显示了不同情景的可能性，但在某种程度上是重叠的（例如来自不同的TF），那么仍然需要交易一些特定的情景（系统），而不是它们的混合。而且其概率将保持不变。而有效的混合情况可能根本就不存在。我们交易不同的系统，在不连续的时间点进行买入和卖出，而不是任意的涨/跌预测。
积极的结果是，我终于明白了区别，以及为什么要对X[i]=Open[i]-Open[i-1]进行居中处理。相应地，我明白了我在以前的演讲中的错误所在。
负面的结果是，一切都不像我所看到的那样。
1.我进行了两种变体的居中处理：上述和通过删除建立在整个区间上的线性回归。结果是根本性的不同。
系列X[i]的自相关系数r[k] 不取决于相关区间k，（除了k=1）不超过0.01。我没有单独计算FAC，但对于欧元兑美元在t=5,15,30等情况下，结果与中子 所提出的相同。而在t=1时，它是-0.16，比中子 的那个高一点。
对于通过去除LR得到的系列Y[i]，情况完全不同。在k=1000时，英镑兑美元，M15的r[k] 从1缓慢下降到0.70，欧元兑美元，M1的r[ k]从0.97（！！！）缓慢下降。在我看来，这个结果没有物理意义。价格序列的自相关不可能这么强，而且下降得这么慢。因此，这种居中的变体是不合适的？为什么不呢？谢尔盖，你能解释下这是怎么回事吗？
2.我计算了几个标准振荡器以及我自己的振荡器与系列X[i]的相关系数。在所有情况下，我得到的r[k] 几乎与k 无关，数值的差异只出现在第五个符号上（甚至在k=0时）。尽管r[k] 的值取决于时间框架。同时，不同的振荡器的r[k] 值也不尽相同。
这并不是我所期望的。在最坏的情况下--同样的情况：在k=0时达到最大值，当k增加时迅速向零下降。在不同的k 下，r[k] 的恒定性让我觉得有问题？什么？
X[i]=Open[i]和X[i]=Open[i]-Open[i-1]。
自相关系数是用公式计算出来的。
r(Step)=SUM{(X[i+k]-X[i-Step+k])*(X[i+Step+k]-X[i+k])}/SUM{(X[i+k]-X[i-Step+k])^2}，其中和是对所有行成员k=Step...n-Step，n-全部行成员数，Step-相关范围。
第一种情况被称为自相关函数，其范围通常为-0.5至0，而第二种情况被称为相关图，其范围是符号可变的。这两个系列的衰减速度都是指数 级的。
朱拉，如果不去除常数成分，就会得到一个大的、不递减的自相关值。事实上，该系列的所有项几乎都是相等的，例如，等于1.23。
顺便说一下，我通过分析得到了N 个独立指标组的正确预测概率P 的表达式，每个指标都有任意的预测p：
P=1-2^(N-1)*P{1-p[i]}。