Разбиение по контексту в общем случае м.б. по реальным торговым моделям. Но тут дело вот в чем. Я пришел к разбиение по микроконтексту, который должен быть а) общей основой, кирпичиком для идентификаций/анализа/прогноза всего остального, а следовательно б) содержать в себе достаточную для этого информацию о рынке, и в) основан на относительно устоявшемся (квазистационарным) процессе.
Так мы же договорились, что для нас деньги. Какой шум? Вы просто меряете свой профит сообразно вашему о нем представлению. Ессно, завираться не надо - понятно, что ждать от рынка.
样本的大小可能会有影响？
样品量是足够的。
还有就是 "弦的极限张力 "状态--几乎没有变化。
也许这就是你捕获的状态？
如果你整合第二个系列--最后的价值是最后的价格价值的20%左右。我认为如果实际上没有分散，这个系列的贡献就会减少。
数据是什么？
eurusd，我在终端中的所有历史记录
伙计们，我在这里要跳出一个有点偏离主题的话题，嗯？
第三天，我有庆祝的心情，我想弄明白（我已经弄明白了我通常弄不明白的东西，所以我很好办：））。
简而言之，假设我们以某种方式确定了确切的算法，经纪公司通过该算法过滤（广义上的）报价。这个显著的事实可以在真实的情况下用于盈利吗？我的头已经坏了...
不，不，不要偏离主题，阿尔苏。你最好在论坛上搜索一下，这个话题经常出现。
Не-не, не надо не в тему, alsu. Поищи лучше на форуме, тема поднимается регулярно.
我宁愿自己解决，我没有白跑一趟商店:))
不，不，不要偏离主题，阿尔苏。你最好在论坛上搜索一下，这个话题经常出现。
这就是你所说的。但既然你已经说了，我们就偏离主题吧。:-)))
Оба распределения скошены в сторону положительных значений.
这是 "报告 "期间全球趋势的结果，还是有不属于第一或第二样本的回报？
Wege-Easing模型在我看来很好奇，首先是因为它为其参数赋予了某种 "物理 "意义，即人们可以尝试用额外的信息对其进行建模。 但它在上下运动方面是不对称的，这难道不令人困惑吗？似乎（经通货膨胀调整的证券），市场在这方面是相当对称的。
Разбиение по контексту в общем случае м.б. по реальным торговым моделям. Но тут дело вот в чем. Я пришел к разбиение по микроконтексту, который должен быть а) общей основой, кирпичиком для идентификаций/анализа/прогноза всего остального, а следовательно б) содержать в себе достаточную для этого информацию о рынке, и в) основан на относительно устоявшемся (квазистационарным) процессе.
似乎在这里，我们可以将微观背景与状态参数联系起来，也就是说，这与尤里的 方法相当吻合。
我们看到，提出的假设是，按某一特定特征（或一组特征）划分的语境将允许使预期报酬为正。然后在实时交易（或其在历史上的模仿）中检验这一假设。
第二种方法，我试图在这个主题中提出，就是我们首先使用预先选择的算法将历史分成上下文，以获得交易信号。然后，我们将所产生的语境集分为两个（或更多）子集（语境类型），每个子集将与一种或另一种交易策略（战略）相关联。然后我们试图找到一种实时识别上下文类型的算法。它的方式与第一种情况相同，即就某些状态参数对结果的影响做出假设并进行测试。就神经网络而言，我们实际上形成了 "好 "和 "坏 "的训练样本。当然，NS只是完成任务的可能方法之一。
在这些方面，在第一种方法中，选择和识别操作只是重合。
第一种方法看起来不太客观，即第二种方法更适合于风险最小化和利润最大化。首先，因为以利润为导向的上下文分离算法，其次，因为有可能应用数学优化方法。而第一种在其纯粹的形式下，根本不应该受到任何优化。当然，是IMHO。
然而，在这方面，我想提请注意Avals 的假设：任何由于高噪音水平而 "客观地 "分离语境的尝试都注定要失败（或成为一种配合）。措辞似乎与作者的不一致，如果有什么不对，让他来纠正。
幸运的是，在第二个方案中，也有一个主观因素，所有的希望都在这里 :) 。另一方面，在第一种情况下，也有一种通过优化或增加参数（再优化）来 "改进 "的诱惑。事实上，这使这种方法更接近于第二种方法，至少在耙子和陷阱方面。
P.S.Yury，我肯定在这篇文章中试图以全部或部分的方式混淆读者对你的方法的看法，也许你会自己简单地制定它（如果可能，不损害正确性）？
Пожалуй пока народ где-то ходит можно ещё пофилософствовать :)
欢迎你!)))
似乎我们可以把这里的微观背景与状态参数联系起来，也就是说，它与尤里的 方法相当吻合。
我们看到，我们提出了一个假设，即按某一特定特征（或其集合）划分的语境将允许使获胜（利润）的期望值为正。然后在实时交易（或其在历史上的模仿）中检验这一假设。
而且确实如此。这里有一个关于由琐碎的ZZ形成的行的简单检查。
我在这个主题中试图制定的第二种方法是，当我们首先使用一个初步选定的算法获得交易信号时，将历史分解为上下文。
这是一个相当独立的话题--这是一个非常有趣的方法！"。对mycrocontact来说，它有...肯定与此有关!
然后，我们将所产生的语境集分为两个（或更多）子集（语境类型），每个子集将与一个特定的交易策略（战略）相关联。然后我们试图找到一种实时识别上下文类型的算法。它的方式与第一种情况相同，即就某些状态参数对结果的影响做出假设并进行测试。就神经网络而言，我们实际上形成了 "好 "和 "坏 "的训练样本。当然，NS只是解决该问题的可能方法之一。
从这些方面来看，在第一种方法中，选择和识别操作是简单的。
是的，方法是另一回事。最主要的是为了什么？
第一种方法看起来不太客观，也就是说，第二种方法更适合于风险最小化和利润最大化。首先，因为以利润为导向的上下文分离算法，其次，因为有可能应用数学优化方法。而第一种在其纯粹的形式下，根本不应该受到任何优化。当然，是IMHO。
当然我不应该。我为什么要这样做？"还是说我不是一个伟大的俄罗斯作家？ )))严肃地说，根据定义，基础知识不应该是 "变体"。
然而，在这方面，我想提请注意Avals 的假设：任何由于高噪音水平而 "客观地 "分离语境的尝试都注定要失败（或成为一种配合）。措辞似乎与作者的不一致，如果有什么不对，让他来纠正。
所以我们已经同意，这是给我们的钱。什么是噪音？你只是根据你对它的理解来衡量你的利润。当然，你不必感到兴奋--对市场的预期是很清楚的。
幸运的是，第二个方案也有主观主义的因素，所有的希望都在其中 :) 。另一方面，在第一种情况下，也有一种通过优化或增加参数（再次优化）来 "改善 "的诱惑。事实上，这使这种方法更接近于第二种方法，至少在耙子和陷阱方面。
没错，这很正常。
Так мы же договорились, что для нас деньги. Какой шум? Вы просто меряете свой профит сообразно вашему о нем представлению. Ессно, завираться не надо - понятно, что ждать от рынка.
在追求简洁的过程中，我似乎做得太过了。我对阿瓦尔斯 假设的理解是，通过做出 "主观 "假设，我们使用了对市场运作的理解，即外部信息。在本质上，我们超越了TA（在那里，你是第一个使用这个词的人:）。这就提供了一个额外的过滤器，如果不应用这个过滤器，我们将看不到任何东西，只能看到市场上的噪音。
继续提出可能的 坐标的想法。
在我看来，如果你使用它们，就有九种可能的语境评价。
零--毫不含糊地 "坐井观天"。;)
"相"...;)