在可能性上,人们希望通过选择最适当的事件序列来确保/增加获胜的机会。例如,对于从事股票营销业务和贸易的人们来说,the算法简单明了,但有一些缺点。
算法的需求和工作:
- 它不能始终确保利润,但是在某些情况下,它可以使您尽可能接近目标状态,从而在利润方面产生可预测的结果。
- 它不依赖于预测绝对市场方向的能力。考虑到外汇的动态和波动性,这很有用。
该算法的优点:
probability可能是随机变量的序列,在特定时间,无论所有先前值如何,序列中即将到来的值的条件期望均等于当前值。
定义:
离散时间mar的定义是满足任意时间N的离散时间随机过程(即,一系列随机变量) X1,X2,X3…。
公式:
=> E (| XN |) < infinity
=> E (X(N + 1) | X1, X2, X3, …. XN) = XN
也就是说,给定所有过去的观测值,下一个观测值的条件期望值等于最新的观测值。假设需要获利X个硬币,那么下面是相同的一般示例:
令X为整数。
- 下注X个硬币。
- 让轮盘旋转。
- 如果结果很奇怪,则将结果打印出来。
- X:= 2 * X,然后从第一步开始重复上述过程。
退税:
- 它没有无限的金钱/硬币。对于争论,说偶数出现在连续9次旋转中。现在需要2 ^ 10 * X硬币=现在需要1024x硬币。
- 此外,另一个缺点是赌场通常会对您可以下的赌注设置上限。万一连续损失很多,这是极不可能的事,那就是一场灾难。
- “我有足够的硬币,我想赚的钱要少得多,几乎占我的硬币的1%。我将有多少机会使用win算法赢得这项利润?”。
可能性:
需要注意的是,作为ting的性质既涉及过滤,也涉及概率测度(就期望而言)。就一项措施而言, Y可能是a,但对于另一项措施却可能不是。吉尔萨诺夫定理提供了一种方法,可以找到与伊藤过程有关的度量。
总体概述:
假设您拥有的硬币和想要赚取的利润允许您连续最多损失N次。连续丢失(N + 1)次的概率为1 /(2 (N + 1) )。随着N的增加,这种可能性越来越小。例如,如果一个人连续承受9次损失,那么赢得您想要的硬币的机会就是99.9990234%。这是一种基于实际应用的算法。
具体示例:
例1:实数在我们坐标系的开放空间中的无偏随机行走是a的一个例子。
示例2:令Y N = X (N 2 – N)其中X N是该人从以前的经历中获胜的运气。那么序列{Y N :N = 1,2,3,…}是a。此序列可用于显示人的总收益或损失在步数的平方根的正负之间大致变化。