डेटा स्नूपिंग पूर्वाग्रह निवेशक विदेशी मुद्रा

डाटा माइनिंग डाटा खनन डेटा खनन क्या है, कंपनियों द्वारा उपयोग की जाने वाली एक प्रक्रिया कच्चे डेटा को उपयोगी जानकारी में बदलने के लिए है। डेटा के बड़े बैचों में पैटर्न ढूंढने के लिए सॉफ्टवेयर का उपयोग करके, व्यवसाय अपने ग्राहकों के बारे में अधिक जान सकते हैं और अधिक प्रभावी विपणन रणनीतियों का विकास कर सकते हैं साथ ही बिक्री में कमी और लागत में कमी भी सकते हैं। डेटा खनन प्रभावी डेटा संग्रह और भंडारण के साथ-साथ कंप्यूटर प्रसंस्करण पर निर्भर करता है। डाटा माइनिंग की खाड़ी में खाद्यान्न भंडार डेटा खनन तकनीक के प्रसिद्ध उपयोगकर्ता हैं कई सुपरमार्केट उन ग्राहकों को नि: शुल्क वफादारी कार्ड की पेशकश करते हैं, जो उन्हें गैर-सदस्यों के लिए उपलब्ध नहीं होने वाले कम कीमतों तक पहुंच प्रदान करते हैं। कार्ड उन दुकानों के लिए आसान बनाते हैं जिनको खरीदना है, वे कब खरीद रहे हैं और किस कीमत पर। भंडार तब इस डेटा का उपयोग करके कई उद्देश्यों के लिए, जैसे ग्राहकों को अपनी खरीद की जाने वाली आदतों को लक्षित करने के लिए कूपन की पेशकश करने और बिक्री पर सामान डालते समय या पूर्ण कीमत पर कब बेचते हैं, का उपयोग कर सकते हैं। डेटा खनन चिंता का एक कारण हो सकता है जब केवल चयनित जानकारी, जो समग्र नमूना समूह का प्रतिनिधि नहीं है, का प्रयोग एक निश्चित अवधारणा को साबित करने के लिए किया जाता है। डाटा वेयरहाउसिंग जब कंपनियां एक डाटाबेस या प्रोग्राम में अपने डेटा को केंद्रीकृत करती हैं, इसे डेटा वेयरहाउसिंग कहा जाता है। डेटा गोदाम के साथ, एक संगठन विशिष्ट उपयोगकर्ताओं के विश्लेषण और उनका उपयोग करने के लिए डेटा के सेगमेंट को स्पिन सकता है। हालांकि, अन्य मामलों में, विश्लेषकों को वे प्रकार के डेटा से शुरू हो सकता है और उन चश्मे के आधार पर डेटा गोदाम बना सकते हैं। व्यवसायों और अन्य संस्थाओं ने अपने डेटा को व्यवस्थित करने के बावजूद, वे प्रबंधन का निर्णय लेने की प्रक्रियाओं का समर्थन करने के लिए इसका उपयोग करते हैं। डेटा खनन सॉफ्टवेयर डाटा खनन कार्यक्रम उपयोगकर्ताओं के अनुरोध के आधार पर डेटा में रिश्तों और पैटर्न का विश्लेषण करते हैं। उदाहरण के लिए, डेटा खनन सॉफ्टवेयर का इस्तेमाल जानकारी की कक्षाएं बनाने के लिए किया जा सकता है। उदाहरण के लिए, कल्पना करें कि एक रेस्तरां डेटा खनन का उपयोग करना चाहता है, यह निर्धारित करने के लिए कि उन्हें कुछ खास कब पेशकश करनी चाहिए। यह उस जानकारी को देखता है, जिस पर ग्राहकों का भ्रमण किया जाता है और वे किस क्रम का आदेश देते हैं, उसके आधार पर कक्षाएं एकत्रित की जाती हैं। अन्य मामलों में, डेटा खनिक तार्किक संबंधों के आधार पर जानकारी के समूहों को खोजते हैं, या वे उपभोक्ता व्यवहार में रुझान के बारे में निष्कर्ष निकालने के लिए संगठनों और अनुक्रमिक पैटर्नों को देखते हैं। डाटा खनन प्रक्रिया डाटा खनन प्रक्रिया पांच चरणों में टूट जाती है सबसे पहले, संगठन डेटा इकट्ठा करते हैं और इसे अपने डेटा गोदामों में लोड करते हैं। इसके बाद, वे स्टोर करते हैं और डेटा को प्रबंधित करते हैं, या तो इन-हाउस सर्वर या क्लाउड पर। व्यापार विश्लेषकों, प्रबंधन टीमों और सूचना प्रौद्योगिकी पेशेवर डेटा तक पहुंचते हैं और निर्धारित करते हैं कि वे इसे कैसे व्यवस्थित करना चाहते हैं। इसके बाद, एप्लिकेशन सॉफ़्टवेयर उपयोगकर्ताओं के परिणामों के आधार पर डेटा को बदलता है, और अंत में, अंत उपयोगकर्ता एक आसान-सा-शेयर प्रारूप में डेटा प्रस्तुत करता है, जैसे कि ग्राफ़ या टेबल। एफएक्सईज़ क्वांटिटेटिव रिसर्च इन आर फ़रवरी 2006 में शामिल है स्थिति: अनुभवी व्यापारी 1 9 साल 299 पोस्ट ट्रेडिंग पैरामीटर्स का अनुकूलन और बैकटेस्टिंग आर इसके लिए बहुत सारे संकुल के कारण महान है (कई व्यापारिक संबंधित संकुल), और इसकी वैक्टरयुक्त ताकि इसकी बहुत तेज़ हो। नीचे एक सरल व्यापार प्रणाली का एक उदाहरण है, लेकिन कोड आसानी से किसी भी सिस्टम के लिए अनुकूलित किया जा सकता है। यदि आपके पास परीक्षण करने के लिए कोई भी विचार है, तो यहां पोस्ट करें और हम इस कोड का परीक्षण करने के लिए आसानी से अनुकूलित कर सकते हैं। अगर कोई आर में कई समय सीमा परीक्षण करने में सक्षम है, तो कृपया यहां पोस्ट करें या मुझसे संपर्क करें। मेरे पास तुम्हारे लिए कुछ सवाल हैं। -) यह नमूना कोड एक एएमए लंबाई को अनुकूलित करने के लिए मैं एक जोड़े के एच और एल के ईएमए की गणना करता हूं, और यदि यदि: बार बार जीएम एमए एच कम होता है, तो संकेत लें कि उच्च एलटी एमए एल, सिग्नल तो अन्यथा संकेत बेचता है 0 उत्पादन तब फाइल को लिखा जाता है। इसके अलावा रिटर्न प्लॉट बनाम ईएमए लंबाई: संलग्न छवि (क्लिक करने के लिए बड़ा करें) कोड का उत्पादन करने के लिए: अब एक बार हमारे पास रिटर्न बनाम ईएमए के टेस्ट रिजल्ट हैं, तो हम बेहतर ढंग से परीक्षण करने के लिए एक बेहतर विकल्प चुन सकते हैं (47 )। नीचे दिए गए कोड को 33 रिटर्न से पता चलता है, ड्रॉडाउन टेबल के साथ: गर्त से गहराई तक की लंबाई टू टू रिकवरी 1 2018-02-14 2018-02-27 2018-03-13 -0.0227 937 439 498 2 2018-08-07 2018-08 -12 2018-08-27 -0.0164 666 162 504 3 2018-09-11 2018-09-30 2018-10-04 -0.0161 822 632 190 4 2018-03-14 2018-03-28 2018-04-02 - 0.0151 602 466 136 5 2018-01-03 2018-01-10 2018-01-13 -0.0142 287 258 29 अटैचमेंट इमेज (क्लिक करने के लिए विस्तार करने के लिए) अगस्त 2018 में शामिल हुए स्थिति: सदस्य 1,132 डाक व्यक्तिगत रूप से इसे न लें, मेरी इच्छा नहीं है लेकिन यह ऑप्टिमाइज़ेशन करने का एक भयानक तरीका है असल में आप कुछ भी नहीं अनुकूलित करें मूल रूप से आपका कोड ईएमए अवधि खोजता है जो अगले साल अगले साल जानने के लिए सर्वश्रेष्ठ प्रदर्शन करेगा। निवेशपोडा से: एक अध्ययन या सिमुलेशन में जानकारी या डेटा के उपयोग द्वारा बनाई गई अन्वेषण पूर्वाग्रह पूर्वाग्रह की परिभाषा जो कि विश्लेषण के दौरान ज्ञात या उपलब्ध नहीं होती। यह आम तौर पर अध्ययन या अनुकरण में गलत परिणाम देगा। जब आप ईएमए 5 को अस्वीकार करते हैं क्योंकि यह खराब परिणाम देता है तो आप अतीत में जानकारी लीक कर सकते हैं। आप अब ईएमए की खोज कर रहे हैं कि यह भविष्य के आंकड़ों के आधार पर 5 नहीं है। फिर आप अतीत में और भविष्य की जानकारी को जोड़ना दोहराते हैं। अंत में आप एएमए एक्स का उपयोग करते हैं क्योंकि बैकटेस्ट ने पाया कि यह सबसे अच्छा होगा। पहले व्यापार में एएमए एक्स का उपयोग करके एक्स के मूल्य को भविष्य के सभी डेटासेटों में भेज दिया गया था। एक और समस्या उत्तरजीविता पूर्वाग्रह का एक प्रकार है आप सभी गरीब कलाकारों को अस्वीकार करते हैं। लेकिन अल्फामेगा ने इसे दिखाया: यदि आप यादृच्छिक रणनीतियों का एक हिस्सा लेते हैं तो उनमें से बहुत सारे बाजार को शुद्ध मौके से मात दे देंगे। उनमें से एक सबसे अच्छा होगा quotthe ऐसा लगता है जैसे आप एक लॉटरी विजेता को अगले हफ्ते उनका उपयोग करने वाले नंबरों से पूछते हैं। आप सत्यापित नहीं करते हैं कि नमूने डेटा के बाहर का उपयोग करके आप जो सामान्यीकृत पाते हैं आखिरी समस्या यह है कि मैं इसे डेटा की कमी देख रहा हूं। आप डेटा के 1 वर्ष का उपयोग कर रहे हैं यह पर्याप्त प्रतिनिधि नहीं है यही कारण है कि पूरे डेटा का उपयोग करने वाले पैरामीटर को स्कैन करना कभी भी रास्ता नहीं है। आपको केवल वर्तमान बार से पहले जानकारी का उपयोग करना चाहिए। यह अधिक महत्वपूर्ण है यदि आप तंत्रिका नेट का उपयोग करते हैं वे डेटासेट को दिल से सीखने में बहुत अच्छे हैं कोई लालच नहीं कोई डर नहीं। बस गणित व्यापारिक मापदंडों का अनुकूलन और बैकटेस्टिंग आर इसके लिए बहुत सारे संकुल के कारण महान है (कई व्यापारिक संबंधित संकुल), और इसके वैक्टरयुक्त ताकि इसकी बहुत तेज़ हो। नीचे एक सरल व्यापार प्रणाली का एक उदाहरण है, लेकिन कोड आसानी से किसी भी सिस्टम के लिए अनुकूलित किया जा सकता है। यदि आपके पास परीक्षण करने के लिए कोई भी विचार है, तो यहां पोस्ट करें और हम इस कोड का परीक्षण करने के लिए आसानी से अनुकूलित कर सकते हैं। अगर कोई आर में कई समय सीमा परीक्षण करने में सक्षम है, तो कृपया यहां पोस्ट करें या मुझसे संपर्क करें। मेरे पास तुम्हारे लिए कुछ सवाल हैं। -) यह नमूना कोड एक एएमए लंबाई को अनुकूलित करने के लिए मैं गणना करता हूँ आप गलत तरीके से एमए का उपयोग कर रहे हैं विवरण में नहीं जा रहे हैं, लेकिन मैं आपको बता सकता हूं कि मैं 20 वर्षों की अवधि में एमए परीक्षा ली और वे कई मापदंडों के साथ बढ़त देते हैं, केवल तेज़ एमए ज्यादा संकेत देते हैं, उन्हें किसी भी उपकरण पर काम करना चाहिए, कुछ और अधिक ट्रेंडिंग होते हैं ताकि आपको बेहतर परिणाम मिलें । वैसे भी कोई संकेतक सबसे अच्छा है, लेकिन कोड के लिए जटिल नहीं है कोई और फैंसी सामान नहीं है मुझे क्षमा करें। आप कुछ पैसे से शुरू करते हैं आपके खाते का आकार 1 बार है यदि आप अपना 1 खाता खो देते हैं, तो आपका खाता 0.01 गुना खो जाता है। यह आपका खाता 0.99 समय रहता है यह नुकसान एक कारक 0.99 से आपके खाते को गुणा करता है। अगर आप 1 जीतते हैं, तो उसी खाते को 1.01 कारक से गुणा किया जाता है। (1-एक्स) और (1x) गुणनीय कारक हैं, जहां एक्स आपके खाते में जोखिम का अंश है। वे खाता आकार से स्वतंत्र हैं जब आप जीतते हैं तो आप अपना खाता खो देते हैं (1x) (1-एक्स) से गुणा किया जाता है अनुक्रम जीत-जीत-हार-जीत-हार-हार स्पष्टीकरण के लिए धन्यवाद मैं इसकी सराहना करता हूं। फार्मूले में शब्दों की आजादी के बारे में आपका मुद्दा मेरे साथ था, लेकिन मुझे सिमुलेशन के माध्यम से खुद को साबित करना पड़ता था (मैं सबूत पोस्ट नहीं कर रहा हूं) जो कि कभी उभरा नहीं हुआ बचाव का रास्ता तलाश रहा था। तो इस तरह की योजना का एकमात्र तरीका निकलता है, यदि आप शर्त के अंश को बदलते हैं (1 से 1.5 से 1.2 तक, आदि।) हर व्यापार और एकमात्र ऐसा मामला जहां हर व्यापार पर शर्त के अंश को बदलना समझ में आता है, अगर यह शर्त भिन्न परिवर्तन कुछ निर्भरता के कारण भविष्य की जीत संभावना में बढ़ोतरी को दर्शाता है। यह परिमित ब्लैकजैक जूता की निर्भरता के समान है जो लगभग खाली है और फेस कार्ड से भरा है। ब्लैकजैक अवसर के विपरीत, एक यादृच्छिक संख्या जनरेटर स्वतंत्र ड्रॉ बनाता है। इसलिए जब मैंने एक्स लंबाई के WLWL पैटर्न का अनुकरण किया, तो यह व्यर्थ था क्योंकि पिछले ड्रॉ ने भविष्य को किसी भी तरह से ड्रॉ नहीं किया है। बाजारों में कुछ समय पर कुछ निर्भरता होती है। बस उन एफएफ व्यापारियों से पूछें जो एक समाचार घोषणा के बाद निर्भरता के बारे में एक मानक ग्रिड प्रणाली का इस्तेमाल करते हैं, उनके सुन्दर चिकनी-इक्विटी वक्र मार्टिंगेल रणनीति को खरीदने, खरीदना, सभी तरह से नीचे नीचे, नीचे खरीदें। सिस्टमक्वाट को बुलाने के लिए एक व्यापारी एक ऐसी रणनीति का इस्तेमाल कर सकता है जो हमेशा पदों को बदलता है (बीएसबीएसबीएस)। हालांकि अभी भी ऐसे समय हैं जहां आपको इस प्रकार की योजना के साथ एक पंक्ति में अनिवार्य 14 नुकसान मिलते हैं। इसलिए कठबोली के बारे में सपने देखने में मार्टिंगेल भूमि में योजनाएं खो जाती हैं, और वास्तविकता में वापस आती हैं। मेरे शोध के आधार पर, प्रति व्यापार के जोखिम के बारे में, इष्टतम समाधान (विशेष रूप से विवेकाधीन व्यापार के लिए) यह है: मैं एक एमएम रणनीति का उपयोग करता हूं जो अल्फामेगा द्वारा वर्णित एक जैसा है। मुझे लगता है कि व्यापारियों जो वायदा कारोबार से आते हैं, वे यह समझते हैं कि वायदा में लॉट साइज लचीलेपन के चलते यह कैसे काम करता है। इस प्रकार के पठार की रणनीति के साथ मुख्य घाटा यह है कि जब तक आप आकार कम नहीं करते (यह अल्फामेज चित्र देखें) तब तक अच्छा होता है जब आपको आकार कम करना पड़ता है तो यह इक्विटी पद्धति से भी बदतर होता है क्योंकि आप बड़े व्यापार के आकार में बड़ा नुकसान लेते हैं, जब तक आकार में कमी नहीं होती है, और इस तरह इसे इक्विटी हाईस में वापस आने के लिए भी अधिक समय लगता है क्योंकि आपका आकार निचले पठार पर रहता है। एक ईक्विटी whipsaw तरह की तरह। यह पेपर कुछ रुचि का हो सकता है ध्यान दें कि इसके लिए रणनीति की प्रत्याशा जानना आवश्यक है यह एमएम आकार बढ़ाता है जब रणनीति उसके अपेक्षित प्रदर्शन से कम हो। डीडी जल्दी से बहाल कर रहे हैं। लेकिन आपको किनारे के बारे में सचमुच यकीन होना चाहिए क्योंकि अगर रणनीति खराब है क्योंकि बाजार में रणनीति के काम के समय से बहुत दूर है (अस्थायी) हारने वाला। आपको वास्तविक समय में प्रत्याशा को जानने की जरूरत है स्मार्ट लेकिन काफी खतरनाक। इस पेपर को पोस्ट करने के लिए धन्यवाद। इसका एक दिलचस्प विचार - लाठी में कार्ड गिनती के आधार पर शर्त आकार में बदलाव लाएगा। हालांकि जैसा कि आप बताते हैं कि यह खतरनाक है बीती बातों के बाद (आप ऐतिहासिक डेटा पर सिस्टम टेस्ट चलाने के बाद), प्रत्याशा अनिवार्य रूप से मापा अवधि में प्रति व्यापार औसत लाभ है। यदि हम इस तरह मापा उम्मीद के साथ शुरू करते हैं तो हम आगे देख रहे हैं या डेटा स्नूपिंग निश्चित रूप से इस एमएम रणनीति का नतीजा सिर्फ उतार-चढ़ाव इक्विटी का एक निश्चित अंश (जो भविष्य के परिणामों के बारे में कोई धारणा नहीं है) का उपयोग करने से बेहतर होगा। एक तरह से मैं इस विधि को पठार पद्धति के समान देखता हूं, जहां आप एक उच्च आकार का व्यापार करते हैं, जब तक आप पठार तक नहीं पहुंचते हैं, पठार को छोड़कर, जो पठार राशि से कम है, जबकि यह विधि संभवतः होगी ड्रॉडाउन के दौरान आकार में वृद्धि हुई है क्योंकि यह बताता है कि यह कहाँ से इक्विटी वार-डाटा स्नूपिंग पूर्वाग्रह खत्म हो जाएगा। सिमुलेशन के माध्यम से इस पर परीक्षण करने के लिए मेरे पास कुछ विचार हैं उदाहरण के लिए यदि हम वर्तमान इक्विटी लेते हैं और अगले व्यापार से उम्मीद औसत लाभ भी बढ़ाते हैं, तो आप हमेशा इक्विटी इक्विटी को औसत लाभ की उम्मीद कर रहे हैं, इसलिए शर्त आकार मौजूदा इक्विटी पर आधारित होने से सिर्फ थोड़ा बड़ा होगा। इस तरह के एक छोटे से अंतर, मुझे आश्चर्य है कि क्या यह सब में कोई फर्क पड़ता है (जैसा कि उम्मीद है कि इसमें बहुत कम अंतर होता है) लेकिन लेख में लाभ के आवेदन को संबोधित नहीं है जिसमें कुछ रोचक प्रभाव हैं। 15 पीआईएस के जीत के साथ 5050 सिस्टम को देखते हुए और दो एमएम रणनीतियों के साथ 10 पिप्स के नुकसान के साथ 1000 बैंक बैलेंस शुरू करने से मुझे निम्न परिणाम मिलता है। नोट करें कि शीर्ष चार्ट इक्विटी का प्रतिशत (पीओई) है, मध्य चार्ट अपेक्षा के आधार पर आकार देने वाला है, और नीचे की तरफ अपेक्षा की जाती है - समय के साथ अंतर दिखाने के लिए पीओई। यदि कोई लाभ उठाने का उपयोग नहीं किया जाता है (1 का लाभ) तो परिणाम अपेक्षाकृत सिपाही के पक्ष में बहुत सरल है (पीओई) 2080.415 (उम्मीद) 2973.208 अटैचमेंट इमेज (विस्तार करने के लिए क्लिक करें) हालांकि, अगर आप कुछ लीवरेज (3x लीवरेज) लागू करते हैं तो कुछ दिलचस्प होता है, जब आप तुलना करते हैं तो दो परिणामी इक्विटी 3000 ट्रेडों से घट जाती है। (समापन संतुलन: (पीओई) 8233.274, (उम्मीद) 14007.17 इक्विटी का प्रतिशत (निश्चित गुट) शुरूआती से लगभग मात कर लेता है और लगभग 2000 ट्रेडों तक अपने प्रभुत्व में वृद्धि जारी रखता है। ट्रेडों को एक पूर्ण आधार पर और बेहतर नाटकीय ढंग से शुरू करना शुरू होता है। इस घटना को लीवरेज की उपस्थिति में क्यों हो सकता है, इस पर कोई भी विचार संलग्न छवि (बड़ा करने के लिए क्लिक करें) यह भी ध्यान देने योग्य है कि यदि आप लाभ उठाने के लिए बहुत अधिक दबाव डालते हैं (10 मामला) कुछ जंगली झूलों के बाद पहली बार प्रत्याशा का आकार चुकता है (शून्य बैलेंस बैलेंस में)। जब मैं इसे गणितीय रूप से प्रदर्शित नहीं कर सकता, नेत्रहीन मुझे लगता है कि मैं समझ सकता हूं कि आप उन उदाहरणों में कैसे आते हैं, बढ़ते हुए स्थिति आकार की बढ़ती गतिशील प्रक्रिया की तुलना में बढ़ते हुए स्थिति आकार की बढ़ती प्रक्रिया की तुलना करते हुए यह बढ़ती स्थिति आकार की तुलना करते समय यह समायोजन की विधि है, चाहे वृद्धिशील या कदम एड कि सभी अंतर जो बस उत्थान (प्रवर्धित) लाभ उठाने के द्वारा है जो पूरे समय श्रृंखला में मौजूद है बनाता है। उदाहरण के लिए, आपकी टेस्ट सीरीज़ एक ड्रॉडाउन (उदाहरण ए) और एक ड्राप - (उदाहरण बी) दोनों के दौरान एक इक्विटी वक्र के एक सीमित समय खंड भाग लेते हैं। मान लें कि व्यापार की घटनाओं की आवृत्ति दोनों परिदृश्यों के लिए समान है। दूसरे शब्दों में कि ट्रेडों को पूरी तरह सिंक्रनाइज़ किया जाता है कि क्या वे एक वृद्धिशील स्थिति समायोजन समायोजन या चरणबद्ध स्थिति समायोजन समायोजन लागू करते हैं। उदाहरण ए - चरणबद्ध समाधान इस परिमित सेगमेंट पर हम एक ड्रॉडाउन परिणाम का उत्पादन करते हैं जो कि प्रत्येक समान व्यक्तिगत व्यापार परिणाम के नुकसान का परिणाम है x ट्रेडों की संख्या एक कदम रखा समाधान के तहत, एक कदम के साथ प्रत्येक व्यापार घटना के लिए प्रत्येक वृद्धिशील व्यापार के परिणाम पर बराबर स्थिति का उत्पादन किया जा रहा है, इसलिए कुल ड्राडाउन परिणाम तैयार करने के लिए ट्रेडों की संख्या में प्रत्येक समान व्यापार हानि एक्स को जोड़ते हुए सरल तरीके से उत्पादन किया जाएगा। जैसे। एक कुल गिरावट का कहना है 40. उदाहरण ए - वृद्धिशील समाधान एक ही परिमित खंड के तहत, एक वृद्धिशील समाधान के तहत प्रत्येक व्यापार घटना में इक्विटी में गिरावट के अनुसार स्थिति को समायोजित करने से समायोजन प्रत्येक व्यापार घटना में स्थिति आकार बदलने में वृद्धिशील कमी पैदा करता है वही परिमित खंड परिणाम समय सीमा से अधिक के रूप में कम हो जाएगा, प्रत्येक व्यक्तिगत हानि उत्तरोत्तर कम हो जाती है उदा। कहने का कुल आंकड़ा 30. प्रत्येक व्यापार घटना के लिए औसत लाभ एक विषम वितरण का उत्पादन करेगा। इन दोनों स्थितियों के तहत लाभ उठाने का असर केवल इन दोनों तरीकों के बीच इक्विटी विसंगति को बढ़ाता है। उदाहरण बी - चरणबद्ध समाधान इस परिमित सेगमेंट पर हम एक ड्राप परिणाम का उत्पादन करते हैं जो कि प्रत्येक समान व्यक्तिगत व्यापार परिणाम के लाभ का परिणाम है x ट्रेडों की संख्या एक कदम रखा समाधान के तहत, कदम भर में प्रत्येक वृद्धिशील व्यापार के परिणाम पर समान स्थिति का आकार लेना होगा, इसलिए कुल लाभ परिणाम बनाने के लिए प्रत्येक व्यापार लाभ को जोड़ते हुए ट्रेडों की संख्या को जोड़ते हुए सरल तरीके से उत्पादन किया जाएगा। जैसे। का कहना है की कुल लाभ 40. उदाहरण बी - वृद्धिशील समाधान एक ही परिमित खंड के तहत, एक वृद्धिशील समाधान के तहत प्रत्येक व्यापार घटना में इक्विटी में वृद्धि के अनुसार स्थिति को आकार देने में समायोजन प्रत्येक व्यापार घटना पर स्थिति के आकार बदलने में वृद्धिशील वृद्धि का उत्पादन करता है वही परिमित खंड परिणाम समय श्रृंखला के मुकाबले कम लाभ होगा, प्रत्येक व्यक्तिगत लाभ उत्तरोत्तर अधिक हो जाता है। जैसे। 30 का कहना है की कुल लाभ। प्रत्येक व्यापार घटना के लिए औसत लाभ एक विषम वितरण का उत्पादन करेगा। समायोजन की एक कदम विधि, समायोजन की एक वृद्धिशील विधि के विरोध में, रिटर्न की अस्थिरता को बढ़ाती है। एक समय श्रृंखला में पूर्वाग्रह के किसी भी रूप को बस उत्तोलन द्वारा बढ़ाया जाता है। प्रदर्शन के रिटर्न को संबोधित करने के लिए दो व्यापक तरीके हैं सीरियल मुनाफे (या हानि) को बढ़ाए जाने के लिए लीवरेज का उपयोग करने वाले एकवचन दृष्टिकोण के पूर्वाग्रह का फायदा उठाने के लिए एक सिंगल सिस्टम का व्यापार करें, या फिर लाभ उठाने से बचने के लिए आधार के रूप में विविधीकरण का उपयोग करें, फिर भी शोर के विनाशकारी हस्तक्षेप के माध्यम से गैर-सहसंबद्ध समय श्रृंखला के संग्रह के पूर्वाग्रह को बढ़ाएं। गैर-सहसंबद्ध संकेतों का सारांश उत्तरार्द्ध दृष्टिकोण जोखिम भारित प्रदर्शन रिटर्न देने के संबंध में सांख्यिकीय रूप से अधिक ठोस कदम है। जनवरी 2007 में शामिल होने के बाद, स्थिति को विकसित करना: विकासशील 915 डाक इस निफ्टी ग्राफिक से यादृच्छिक चलता है और साथ ही अल्फामेगा, कोपर्निकस, पिप एमईईप, ईज़ीक्र्यून्सी, 9 0 9 47 और संभवतः अन्य द्वारा पोस्ट किए गए घटता से प्रेरित होकर मैंने अपना एक आयामी यादृच्छिक चलता रोल किया। मैंने यह भी फैसला लिया है कि गोल्डहहोन ने हाल ही में यहां कई स्थानों पर बोर्डों के बारे में बात की है। एमआईटी साइट पर यादृच्छिक सैर पर लेख या लेखों की श्रृंखला को समझने के लिए एक आयामी यादृच्छिक पैरों का मूल विचार वास्तव में अच्छी तरह से वर्णित है। संक्षेप में हमारे पास मापने का एक तरीका है कि एक एक आयामी यादृच्छिक पैदल चलने से अपने शुरुआती बिंदु से दूर जाने की संभावना है, और यह सूत्र sqrt (n) चरण है, जहां कंटनक्वाट ले जाने वाले कदम की संख्या और quotstepquot कितनी दूर है प्रत्येक चरण के ऊपर या नीचे यात्रा करता है - इसलिए यदि प्रत्येक चरण 0.001 या 10 पीप है और हम यह जानना चाहते हैं कि हमारा उद्धरण 100 कदम (बार) से कितने दूर की जाएगी, यह सूत्र, एसक्यूआरटी (100) 0.001 है, जिसे रूट अर्थ स्क्वायर दूरी (आरएमएसडी) कहा जाता है। समय के साथ 1deviation बैंड (सफ़ेद) और 2 विचलन बैंड (पीले) के रूप में प्लॉट किए जाने पर दिखते हुए यह दिखता है नोट करें कि कैसे बैंड धीरे-धीरे समय के साथ चौड़ा हो। सहजता से यह समझ में आता है क्योंकि जब हम अधिक कदम उठाते हैं, तो संभावना है कि सीमा बढ़ जाती है। संलग्न छवि (विस्तार करने के लिए क्लिक करें) क्या इस जानकारी को लाभ के लिए इस्तेमाल किया जा सकता है एक आदमी जो कुछ देर पहले एलिस्ट ट्रेडर नामित उस्ताद (और उस बोर्ड पर पिछली नाम के तहत एबगडन) पर पोस्ट किया था, ने संकेत दिया कि यह किया जा सकता है। और यहां तक ​​कि हाल ही में एटीआर और रेंज अनुमानों का उपयोग करते हुए अपने मोड़ के साथ हाल ही में एफएफ पर गोल्डहहंस भी शामिल है जब मैंने निम्नलिखित स्क्रिप्ट चलायी (यह यादृच्छिक भिन्नता के कारण प्रत्येक चलना पर बदलता है) 1000 परीक्षणों में 248 या 24.8 सफेद बैंड के बाहर थे, जबकि 75.2 सफेद बैंड के अंदर थे। 37 या 1-0.037 96.3 बाहरी पीले बैंड के अंदर थे। यह माप अंतिम चरण (चरण 100) पर किया गया था। मुझे कुछ मिला हो सकता है मैंने winrate50 और RR1.3 के साथ चलने का निर्माण किया। उम्मीद है 0.15 मैंने 300 नमूनों (ट्रेडों) का इस्तेमाल किया संपूर्ण इक्विटी इतिहास को उलट बनाने के बजाय मैं इसे 20 ट्रेडों (15x20300) के 15 गैर-अतिव्यापी दृश्यों में कट गया। मैंने प्रत्येक चरण में औसत इक्विटी ली। लाल रेखा से मैंने इस औसत को काली रेखा लाने के लिए रीग्रेस किया। रेखा का समीकरण y0.1572x-0.5063 है जमीन की सच्चाई y0.15x0 है आपको क्या लगता है (कोप्परनिकस को बूस्ट्रॉप विचार के लिए धन्यवाद) संलग्न छवि (बड़ा करने के लिए क्लिक करें) मुझे कुछ मिला हो सकता है मैंने winrate50 और RR1.3 के साथ चलने का निर्माण किया। उम्मीद है 0.15 मैंने 300 नमूनों (ट्रेडों) का इस्तेमाल किया संपूर्ण इक्विटी इतिहास को उलट बनाने के बजाय मैं इसे 20 ट्रेडों (15x20300) के 15 गैर-अतिव्यापी दृश्यों में कट गया। मैंने प्रत्येक चरण में औसत इक्विटी ली। लाल रेखा से मैंने इस औसत को काली रेखा लाने के लिए रीग्रेस किया। रेखा का समीकरण y0.1572x-0.5063 है जमीन की सच्चाई y0.15x0 है आपको क्या लगता है (कोप्परनिकस को बूस्ट्रॉप विचार के लिए धन्यवाद) अनुमानित। 2140417 मुझे मिल गया एफएक्सईज़ सोच रहा था। अच्छी सामग्री। -)