文章 "使用机器学习检测与分类分形模式"
为了避免在不同时间尺度上进行计算，或许有必要预先将报价转换为伦科图。
从学术角度来看，这种方法很有意思（我更愿意将其具体称为“镜像处理”，因为据我理解，最终不得不放弃分形理论，转而采用100的恒定窗口长度，这样得到的向前投影更美观）， 但依我之见，报价序列中过去与未来之间的关联性会不断且出人意料地受到外部因素的破坏。
附注：笔误：“设定在15到30的范围内”，应为300。
为了避免在不同时间尺度上进行计算，最好先将报价转换为伦科图。
从学术角度来看，这种方法很有意思（我更愿意将其具体称为“镜像处理”，因为据我理解，最终不得不放弃分形理论，转而采用100的恒定窗口长度，这样得到的向前投影更美观）， 但依我之见，报价序列中过去与未来之间的关联性，会不断且出人意料地受到外部力量的破坏。
附注：笔误：“设定在15到30的范围内”，应为300。
目前还没想出如何考虑分形在时间上的变异性。因为模型只是简单地记住它们，而在新数据中却不会出现完全相同的情况。在固定时间窗口下，变异性似乎较小——需要记住的内容也就更少 :)
随着时间的推移总会有所突破，因为目前尚不清楚具体该怎么做。这篇文章讲的是机器学习和分形。文章构成了集体无意识。
我说的不仅仅是这篇文章。就主流范畴而言，这篇文章还不错。我想谈的是另一件事。
“目前还没想出如何考虑分形随时间的变化”——然而，这正是决定任何预测准确性的关键参数。
而且这不仅是您的问题，更是一个全球性问题——当变量随时间变化时，所有系数都会随之改变。
要想理解问题的本质，必须跳出局限，重新审视基本概念。 例如，大多数分形并不具有自相似性，2000年的1美元不等于2025年的1美元（也就是说，1不等于1）。
还可以列举许多例子：在社会（经济）中，帕累托分布占主导地位，而非高斯分布，因此大多数统计方法不适用于市场分析等。
西蒙斯的成功表明，这个问题是有解的，只是需要从其他地方去寻找。
我说的不仅仅是这篇文章。这篇文章还不错，在主流范畴内。我想说的是另一件事。
“目前还没想出如何考虑分形在时间上的变异性”——然而，这正是决定任何预测准确性的关键参数。
而且这不仅是您的问题，而是一个全球性问题——当变量随时间变化时，所有系数都会随之改变。
要想理解问题的本质，必须跳出局限，重新审视基本概念。 例如，大多数分形并不具有自相似性，2000年的1美元不等于2025年的1美元（也就是说，1不等于1）。
还可以列举许多例子：在社会（经济）中，帕累托分布占主导地位，而非高斯分布，因此大多数统计方法不适用于市场分析等。
西蒙斯的成功表明，这个问题是有解的，只是需要从其他地方去寻找。
他似乎是在谈论套利。许多套利策略随着时间的推移也会失效。
新文章 使用机器学习检测与分类分形模式已发布：
在第一篇文章中，我们详细探讨了多重分形市场理论的基本方面。我们注意到，在外部信息的影响下，价格图表能够形成某些重复的结构，这些外部信息对价格图表进行了组织。市场参与者创造了一个复杂的动态系统，该系统具有记忆性，并以特定的市场对称结构（模式）的形式表现出来。这些模式可能会随着时间推移而演变，也可能会重复出现。由于分形市场结构的自相似性，模式可以在不同的时间尺度上表达。
本文提出了一种原创性的分形模式识别与分类方法。分析将使用 Python 进行，并能够将最终模型以 ONNX 格式导出到 MetaTrader 5 终端。
作者：dmitrievsky