是否有一个过程，其对一个部分的分析不允许预测下一个部分。 - 页 13

新评论
 
joo:

5.遗传学是它自己制造的。


实际上，我不相信有可能预测随机游走。另一个问题是，是否有可能创建一个至少在短期内能够盈利的交易策略。如果我们利用过程统计的优势，答案就更有可能。例如，马丁格尔。

如果你的遗传算法 已经成功解锁了随机数生成算法，那么它就是强大的。你会为冠军下注吗？我想为它欢呼。虽然验收的条件（15分钟的测试）很苛刻。我正在考虑使用我以前的专家顾问，基于最近的邻居搜索。但他很难在15分钟内适应。冠军条件不是为神经网络设计的。

 
随机行走不能被预测。你可以预测有规律的东西，根据定义，随机行走没有规律。如果你通过这个网络运行更多的数据，如果系列确实是随机的，利润将归零，预测的概率将是0.5。
 
Avals:
当然，NS可以在其他随机数据中进行记忆。这是一个预测吗？

你是对的，它可以而且确实记得。

我的实验是不正确的--Sample和OOS是在不同的时间产生的，所以它们不是同一行的随机数（在这两种情况下，生成器的初始化方式不同）。

但这里有一个正确的实验。

产生了10000个OOS样本和紧接着10000个OOS OOS的序列。

现在是预言吗？

 
gpwr:


1.事实上，我不相信有可能预测随机的流浪者。另一个问题是，是否有可能创建一个至少在短期内能够盈利的交易策略。如果我们利用过程统计的优势，答案就更有可能。例如，马丁格尔。

2.如果你的遗传算法能够成功解锁随机数生成算法，那么你的遗传算法就是强大的。你会在他身上下注争夺冠军吗？我想为它欢呼。虽然验收的条件（15分钟的测试）很苛刻。我正在考虑使用我的旧EA，基于最近的邻居搜索。但他很难在15分钟内适应。冠军条件不是为神经网络创造的。

1.我也不相信。:)我只相信，在真实的市场数据上，结果应该比PCF上的还要好。

2.是的，GA真的很好，嘿嘿--不是没有原因的，我总共花了大约3年的时间来开发它。我今年可能会这样做（喘，喘，喘），至于测试期间的网格限制，我应该坚定地在EA中直接规定网格的准备答案，这样它就不会在测试期间 "思考"。

 
Integer:
随机徘徊，你无法预测。你可以预测有模式的东西...

我也这么认为。

 
alsu:
顺便说一下，就性能而言，MathRand()&0x00000001更好。

你不能用C语言的PRNG来做这个。它有一个 "脏 "循环，所以这样的操作结果会有循环模式。


ZS，事实证明，我们已经纠正了它。

 
这条线的寓意是，NS甚至可以记住SB，但她不能做出SB的预测。
 

而这已经是在真实的数据上，欧元兑美元M5。样本2011.11.01-2012.05.25，10958个样本的绿色曲线，以及落后的2011.09.01-2011.11.01，5160个样本的红色曲线。

嗯，这只是一个说法。

 
后退是一个神奇的词 )
 
TheXpert:
后退是一个神奇的词 )

转发自样本

后退--从样本开始后退

1...67891011121314151617
新评论