есть только один алгоритм, который формирует все фазовое пространство, которое, в свою очередь, определяется параметризацией рынка. Этот алгоритм является следствием не моих или твоих представлений о контексте, а указанием (если хочешь - прямым) всех точек истории, в которых должны приниматься торговые решения. То есть здесь рулит именно принцип наибольшего (с точки зрения создателя ТС) профита. Эти точки отображаются в фазовом пространстве. Если они группируются, то получаются контекстные области - типы контекста. Сколько их получится заранее неизвестно.
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。
是的，这就是我的意思。空白假设是系统在市场上赚钱的原因。那么当它赚到的时候，问题的答案与前面的答案是有逻辑关系的。上下文是对该系统赚取的问题的回答。如果没有零水平，那么该系统将是一个萨满教，有一些来自价格的衍生品，并根据历史或未知的 "市场阶段 "进行调整。即使它真的起作用了，也不清楚它为什么起作用，什么时候起作用，什么时候应该调整以保持它的作用，什么时候根本就不应该起作用。
есть только один алгоритм, который формирует все фазовое пространство, которое, в свою очередь, определяется параметризацией рынка. Этот алгоритм является следствием не моих или твоих представлений о контексте, а указанием (если хочешь - прямым) всех точек истории, в которых должны приниматься торговые решения. То есть здесь рулит именно принцип наибольшего (с точки зрения создателя ТС) профита. Эти точки отображаются в фазовом пространстве. Если они группируются, то получаются контекстные области - типы контекста. Сколько их получится заранее неизвестно.
但我的良心仍在纠结于对尤里的 立场的歪曲。为了寻找对他的立场的简要表述，我在上面引用的那段话中停了下来。现在，让我把它分解到骨子里。
... 只有一种算法形成整个相空间，而这又是由市场参数化决定的。
这个算法是一个结果，不是我或你对背景的想法，而是对历史上所有应该做出交易决定的点的指示（如果你喜欢--直接）。也就是说，这里的规则是最大的（从TS创造者的角度）利润原则。
这些点被显示在相位空间中。如果对它们进行分组，那么我们就得到了语境区域--语境的类型。事先不知道会有多少人。
现在我们绝对是在处理从历史中 "学习 "的问题。然而，没有一组负面的例子，只有 "好 "的点被显示。因此，实时确定进入点的问题悬而未决，因为没有任何东西禁止 "坏 "点与好点位于相同的背景区域。事实上，根据我的经验，这通常是他们的结局 :) 。
这可能不是很明显，但它是一个非常重要的分类特征--由于没有负面的例子，不可能进行优化，只可能对初始假设进行测试。也就是说，所述方法又属于第一种类型。
Продолжая мысль о возможных координатах.
轴的情况如何？还是说这只是人类知道如何表达信息的方式之一的说明？
А что по осям? Или это просто иллюстрация одного из известных человечеству способов представления информации?
它们被签署。
而以前的定义。
通过某些人物--"Byduge "观察员和 "Barking Dog"。;)
但是，用什么样的电感器来测量每个人是个问题。
-----
如果对这个话题的兴趣继续下去，稍后，我将继续推理。
并将表达关于每个领域的最佳行为的假说。
они подписаны.
И ранее определены..
啊，我以为这些铭文是指数字和/或区域。能否给我一个定义的链接，我肯定错过了。
阅读前面的推理。
这是 "报告 "期间全球趋势的结果，还是有一些不属于第一或第二样本的回报？
趋势的一个结果。买入并持有的方式在那段时间内是有效的:)
回报没有被抛出或错过。
但它对上下运动是不对称的，这让你感到困惑吗？
Характер движений вверх и вниз сам по себе разный.
情况似乎是这样，但这可能是全球背景的结果。也就是说，当它改变时，它将不得不把eurusd改为usdeur :)
P.S.尤里，我一定是在这篇文章的全部或部分内容中试图误导读者，关于你的方法，也许你可以自己简单表述一下（如果可能，不影响正确性）？
不可能，不可能。我已经付出了这么多努力。把所有东西都重复一遍有什么意义呢？任何想知道的人都可以简单地重读我们的论战。
但我要就你对两种方法的比较说两句。
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，我们提出了一个假设，即按某一特定特征（或一组特征）划分的背景将允许使报酬的期望值为正。然后在实时交易（或其在历史上的模仿）中检验这一假设。
我想补充的是：可以用状态参数值的区域来识别微观环境。至于其他方面，一切都很正确。考虑到之前所说的一切。
我在这个主题中试图制定的第二种方法是，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，我们将得到的语境集分为两个（或多个）子集（语境类型），每个子集将被分配一个或另一个交易策略（战略）。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只是解决该问题的一种可能的方法。
你的帖子里最多的花边新闻。我敢于从中提取一些精华。
1.我们首先使用预先选择的算法将历史分解为上下文，以获得交易信号。
2.我们将获得的语境集分为两个（或多个）子集（语境类型）。
3.我们试图找到一种实时识别语境类型的算法。
这就是获得交易信号的算法--这样一个高度主观的东西，完全取决于我们对策略、信号和获得信号的程序的个人想法--成为我们（自己的手）将历史分离为背景的基础。然后我们把它们分成不同的类型。由于没有给出客观的标准，这似乎也是基于我们自己的感知/偏好/洞察力。而在所有这些巨大的工作之后，我们必须与我们为自己创造的问题作斗争--我们现在如何认识他们？
在这些方面，在第一种方法中，选择和识别的操作是简单的。
第一种方法看起来不太客观，也就是说，第二种方法似乎更适合于将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。
第一种方法不能显得不那么客观，因为根本不存在不那么客观的东西。我完全没有看到所述的第二种方法有任何客观依据。相比之下，在第1项的第一种方法中，创作行为是相空间的参数化。如果它足以满足系统的复杂性，那么相空间的划分和它们的分类将自动获得。因此，在第一种方法中，不是 "选择和识别的操作"，而是选择和类型化语境的操作相吻合。而实时语境识别（第3项）是自动的。而且不需要为此寻找一种特殊的算法。因此，整个第一种方法是建立在参数化的充分性上的。这不是模型的客观性指标吗？
但是第二种方法，不幸的是，每一步都止步于这个 "我们"。它是客观的吗？
至于优化，我不会特别高兴。它是具有大量参数的主观成型系统，提供了最广泛的优化可能性。第二，利润最大化标准的使用（然而，不是某个特定的交易策略或算法，而是一个客观的标准）是第一种方法中背景形成的根本来源。第二个人在这里没有优势。我甚至会说，恰恰相反，由于其主观性，它是低劣的。第三，在第一种方法中，在任何情况下都会有需要优化的参数。这一点已经争论了很久，所以让我澄清一下：上述优化在本质上将是为交易商定制的。例如，对其交易范围、风险水平、MM。我们必须将套利排除在不属于它的地方。而交易是人类的游戏，所以必然会有一些任意性的范围。
然而，我想指出阿瓦尔斯在 这方面的假设：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，如果有什么不对的地方，就让他纠正。
幸运的是，第二个方案中也有主观主义的因素，所有的希望都在他身上 :) 。另一方面，在第一种情况下，也有一种诱惑，即通过优化或增加参数（又是优化）来 "改善 "它。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。
我只注意一件事。在第一种方法中，有可能分别检查不同参数的有效性。而且，如果一个参数被证明是无效的，就把它永远扔掉。例如，有可能以这种方式检查所有的TA指标，包括经典的和最新的指标。当然，这项工作并不是微不足道和例行公事。但诊断结果确实如此。所以第一种方法不需要添加参数。它只是需要参数，客观和充分。
谁有？:-)
是的，重要的是，你同意这个分类。
关于第二种方法的主观性，我认为你把情况夸大了。我们对信号采集算法有一个相当客观的标准--与理想输入的接近程度。只有当我们的输入足够接近于理想的输入时，我们才能简单地将一个环境归类为 "好"。
我们为自己创造的问题--嗯，是的，但至少我们有明确定义的投入和产出。你看，我曾经在完美的之字形输入上花了相当多的时间。结果我得出一个结论，这种方法不能提供任何 "客观的 "自动上下文识别（就目前的讨论而言），也没有 "客观的 "输入-输出。事实证明，任何针对完美输入进行调整的算法都会产生与好输入一样多的坏输入。这就是市场的性质。也许我只是没有找到 "正确的 "参数化，不过。如果你找到了，我们可以继续讨论 :)。
关于优化，我的印象是你只把它理解为测试器中的优化。是的，的确，在第一种方法中，它是唯一可用的优化方式。
然而，根据我的新信念，主观性越强越好 :) 。所以你的帖子只是温暖了我的灵魂 :) 。