Здравствуйте, у меня есть более 10 лет опыта работы на финансовых рынках, особенно Статистический анализ рынков, так что я могу предложить свои навыки прогнозирования как сервис для людей, которые хотят, чтобы приблизить цену любого рынка в будущем.

Я также разработал некоторые бесплатные демонстрационные инструменты, написанные в основном в Python 3.5+, который СВОБОДНО что я раздавать бесплатно, так что вы можете проверить свои претензии самостоятельно. Все, что я буду продавать вам будет гораздо лучше, чем это!

Бесплатные инструменты:

• [ДЕМО] ЛИНЕЙНАЯ КРИПТ ПРОГНОЗИРОВАНИЕ ИНСТРУМЕНТ 2.6, читать объяснение
• Обработка данных & Исправление Инструмент для данных Blockchain.info в, читать объяснение

Что тебе нужно знать:

Прежде всего, необходимо знать кое-что о моих методах, я использую измерение абсолютной погрешности на основе LOG, не RMS и фигня, как это, так как это сильно предвзятая, и я не знаю, почему любой статистик будет использовать такие вещи, как описано здесь.

Поэтому, когда вы видите что-то вроде 0,1 LN, это означает, что коэффициент ошибок этого по отношению к натуральный логарифм. Поскольку журналы являются аддитивными, мы можем вычислить среднее значение для них. Так что гораздо лучше работать с этим. Я называю это LN Ошибка.

У меня также есть еще один тест, который я называю Predictive Край, который основан на Значение Theil в U. В основном он рассчитывает, насколько лучше наша модель сравнивается с случайного угадывания. Все, что свыше 0 теоретический край над рынком, так что теоретически должно быть выгодно, давая положительное ожидание для трейдера, и если она ниже 0, то эта модель не является прибыльной.




Общественная модель:

• Объяснение: https://steemit.com/bitcoin/@profitgenerator/forecasting-adventures-9-final-research
• Данные: Ежедневно BTC / USD Данные  + Ежедневно Операционные сборы USD
• Метод: Преобразовать Цену с функцией LN, сделать регрессор кумулятивным, а затем преобразовать его с помощью функции LN. Запустите модель на преобразованных данных либо Backtest или прогноз, а затем преобразовать обратно подогнанные / прогнозируемые значения с помощью функции EXP ().
• Модель: ARIMAX (0,1,1) {LN (cumulative_transaction-плата-usd.csv) -1} с постоянной
• Коэффициенты: Вы должны рассчитать их самостоятельно из исторических данных, так как она зависит от данных
• Оценочная Ошибка LN:               +0,031060897872341 Л.Н.
• Расчетное Predictive Край:    0,012481538

Частная модель:

Скоро, Оставайтесь с нами!

Я провожу исследование сейчас, потом я представлю свои значения прогнозирования для продажи.