我们的玛莎! - 页 7

 
我曾经在一个类似的主题中写道,你应该先想出一个交易信号,然后根据它调整过滤器。在极值形成时的入市 信号很可能不起作用,即使是克拉夫丘克也明白这一点,从他的交易信号描述中可以看出。其中一个原因是,马什卡无法区分趋势的修正和趋势的逆转。你需要额外的工具、向导等。
 
LeoV >> :

诀窍在于,任何超级多头都可以与来自SMA或EMA的接近的对应物相匹配...

那么,这是否值得麻烦呢?

想,做,杀了很多时间和精力 - 最后得到一个EMA 4 - "奇迹机器")

那么将走在市场前面的MA和预测--如何使它?.....))))

制作一台时间机器,飞向未来。提前10年左右,带着未来的报价回到我们的时代))),然后你可以用这些数据画出一个 "之前的MA"。

有其他选择吗?...))))

 
granit77 писал(а)>>
这有点尴尬,但我必须报告,在欧元兑美元M1的Ideal_MA 0.02与MA 50平滑收盘完全相同。

如果我们还考虑到神秘的SMMA在算法上与 EMA相同,我们就会得到EMA的另一个超级属性,中子 在该主题的第一个帖子中预言性地表达了一个愿望。伙计,这个指数平滑毕竟是一个多么伟大的东西啊!

 
meta-trader2007 писал(а)>>

制作一台时间机器,飞向未来。回到我们的时代,提前10年左右引用未来的资料)),然后你可以根据这些数据画出一个 "前进的MA"。

这个选项将不会起作用。

问题是,当你开始用10个标准手进行交易时,你将开始对市场产生微小但有限的影响。此外,这种影响的特点是累积性,也就是说,它随着时间的推移而累积,只要在交易的第二周,你就会明白,来自未来的报价与当前的现实不一致,也就是说,有一个真正的世界划分为 "真实"--我们观察到的,和 "替代"--过去(你自己看到的)和现在,但 "那里"。你的精彩交易在展开之前就会停滞不前!

 
LeoV писал(а)>>

诀窍在于,任何超级大的波动都可以与接近的SMA或EMA对应,只是周期较小。例如,周期为10、相位为+100的Jurik与EMA4或SMA5几乎相同。是的,Jurik更顺畅--但这种顺畅不会带来大幅的利润。为了制造一个真正不同的MA,你需要制造一个领先于市场的MA--也就是预测市场。那么是的,我们不会在现有的MAs中找到类似的东西。所有我们已知的МАшекшек都在市场后面,因为考虑到过去(历史)的数据,而不是从未来和不同时期的MAHs,你总是可以加或减适合一个到另一个 - 差异不会很大(对利润的影响 - 最小).....,但将走在市场前面的MAH和预测 - 如何使它?.....))))

回到我上面写的内容,我可以给你一个例子。如果你把传统的MAH,例如JMA,与臭名昭著的Hodrick-Prescott Filter(我称它为Hondrick-它在最后一条上重绘)在它成功重绘的历史上进行比较,我们看到当JMA上升时,Hondrick下降,反之在市场的转折点上也是如此。这就是 "保持领先于市场 "的概念--即预测市场最终会下跌而不是上涨,反之亦然。但洪德里克是在透支,这就是为什么它是基于历史的。但如何在不重画的情况下做出这样的MA--这正是超级MA,是需要努力的任务.....)))))。

即使是这种变体,你也可以看到明显的缩水,当洪德里克上升,MA下降,反之亦然--所有这些都是因为洪德里克的强大平稳性.....。

 
Neutron >> :

...我想是的。

现在我们可以做一些编码工作了!

嗯,我认为,没有。你最终得到的可以被称为 "贪婪 "算法--因为你基本上只对当前值进行最小化。

为了得到一个匹配,你必须计算整个和的导数。这就是为什么我提到了函数类型。

 
LeoV писал(а)>>

如果你把通常的MA,例如JMA,与臭名昭著的Hodrick-Prescott Filter(我称它为Hondrick-它在最后一条上重画)在历史上进行比较,当它已经成功重画。

在名称上确实有很大的区别,参看。"乐队摇滚 "或 "声乐器乐合奏"
我记得区别在于奖励))))
惠普也一样--如果你试图以 "MAshkf "的名义挤奶,你会像山羊一样有用。
但不要被惠普冒犯,它不是马什卡,当然也不是朱利克。
它是多项式回归的一个变种。

 
Korey писал(а)>>

名称上确实有很大的不同,参看。"乐队摇滚 "或 "声乐和器乐合奏"
我记得区别是在转发))))。
惠普也一样--如果你试图以 "MAshkf "的名义挤奶,你会像山羊一样有用。
但不要被惠普冒犯,它不是马什卡,当然也不是朱利克。
它是多项式回归的一个变种。

Korey ,一如既往的出色 ......)))))

 
TheXpert >> :

为了得到一个匹配,我们需要计算整个和的导数。对于这一点,我实际上提到了一种功能。

我们真的能把神经元放在上面吗?

一个标准的3层是不行的,我们至少需要一个递归层(至少一个神经元)。如果能有倍增的神经元就更好了......

或者建立一个一般的神经模型?

 
TheXpert писал(а)>>

嗯,我认为,没有。你最终得到的可以被称为 "贪婪 "算法--因为你基本上只对当前值进行最小化。

为了得到一个匹配,你必须计算整个和的导数。这其实就是我提到函数类型的原因。

这里似乎有一个误解。是的,在每一步,我只最小化当前的值,结果,整个平滑的VR变成了最佳的。似乎符合逻辑--通过在每一步采取最佳行动,我们一路走来都是最佳状态。此外,看看布拉索夫的工作(见前页的文件),我们使用的方法在那里被认为是或多或少严格的。