첫 번째 단계는 MACD, KDJ, RSI 등과 같은 전통적인 기술 분석 지표를 학습하는 것입니다. 불확실성이 높습니다.

2단계, 플라이 폭스 프로그램을 사용하여 많은 사람들이 작성한 지표를 다운로드하고, Vb를 학습하여 불확실성이 매우 많다는 것을 알게 되었으며, 무궁무진하지만 본질적으로 전통적인 기술 분석 지표와 다르지 않으며, 모두 역사 데이터에 대한 간단한 다양한 평행선 기반에 있습니다.

3단계, 더 강력한 통계분석을 추구하며, SPASS을 학습하고, 시간열 분석 ARIMA를 숙지한다. 불확실성이 매우 높다는 것을 발견한다. 원래 ARIMA는 흰소음에 대한 잔여가 추정되지 않았다.

4단계, 학습 GARCH, 젠장 SPASS은이 도구가 없습니다, 단지 MATLAB7을 학습하십시오. GARCH를 숙련 한 후, 불확실성이 많다는 것을 알게되었습니다. 원래 GARCH는 본질적으로 선형적 인 추정이지만 ARIMA의 잔여를 ARIMA로 계속합니다.

5단계, 몇몇 네트워크 N 사람들이 인공 신경망을 무시하고 BP, RBF를 플레이하기 시작했고, 불확실성이 크다는 것을 알게 되었다. BP, RBF는 역사 데이터에 대한 적합성이 완벽하지만, 미래의 일반화에는 지저분하다.

6단계, 남대성의 인공지능 전문가 한 명이 SVM가 현재 가장 NB라고 말하는 것을 듣고, 계속 공부하고, 재미있게 놀기 어려웠고, 결국 해결되었다. 결과적으로, 불확실성이 많다는 것을 알게 되었다. 정확도는 실망스러웠다.

제7단계, 한 사이에, 또 N명이 말했다, 소파가 유용할 수 있다고, 책을 뒤집어보고, 느낌은 비교할 수 없을 정도로 힘들었다. 그리고 이 때 기술 분석에 대한 확신이 흔들렸다. 어느 날 친구, 실전전공을 만나서, 대화 프레젠테이션에서, 발견, 의지, 실전전에서 또는 전통적인 몇 가지 오래된 지표는 가장 좋으며, 핵심은 사용의 기량이다.

8단계, 현재 단계, 그 전통의 오래된 지표들을 다시 재생하는 것.

Via: http://blog.sina.com.cn/s/blog_57a1cae80101aww9.html