付費限定
相關資產出現 SMT 背後的含義 - 碎形（三）
投資理財內容聲明
世界觀 - 平衡與不平衡
相關性 - 時間
碎形 - 範圍
----
SMT 第三篇文章，也是 SMT 基礎概念的最後一篇。
這篇會把前面兩篇，世界觀、相關性的內容結合起來，應用在碎形裡面。
以行動支持創作者！付費即可解鎖
本篇內容共 2126 字、0 則留言，僅發佈於喝杯咖啡、日常覆盤你目前無法檢視以下內容，可能因為尚未登入，或沒有該房間的查看權限。
63會員
26內容數
在方格子嘗試寫作的交易員
-
Time Range Balance
📈 倫敦盤外匯 紐約盤指數
-
Don't be a pattern trader,
Learn to find insights from charts.
留言
留言分享你的想法！
你可能也想看
Google News 追蹤
因為 Fractal 好像沒標準的翻譯，所以Fractal 以下內文都統稱碎形
碎形的前提
Fractal 是我認為在交易中最複雜的概念。
它涵括了時間範圍、參與者的改變、新聞、消息...等變因，才造就了不同時框的 K 棒變化。
交易者所習慣觀察的時框大小，導致碎形能提供的資訊有所落差。
例
大語言模型（如GPT-3和GPT-4）的出現改變了我們與機器互動的方式。這些模型能夠理解和生成自然語言，實現許多以前無法想像的應用。然而，你可能會好奇，這些模型究竟是如何理解語言的？這裡，我們來探討一個關鍵的概念：「一切語義都是關係」。
這篇文章，會帶著大家複習以前學過的BFS框架，
並且以圖論的應用題與概念為核心，
貫穿一些相關聯的題目，透過框架複現來幫助讀者理解這個演算法框架。
BFS 框架 + 演算法 虛擬碼
# Queue 通常初始化成根結點，作為起點
BFS_queue = deque([root])
# 先
這篇文章，會帶著大家複習以前學過的前綴和框架，
並且以區間和的概念與應用為核心，
貫穿一些相關聯的題目，透過框架複現來幫助讀者理解這個演算法框架。
前綴和 prefix sum框架 與 區間和計算的關係式
接下來，我們會用這個上面這種框架，貫穿一些同類型，有關聯的題目
(請讀者、或觀眾
在前篇討論到純粹在基本熱力學的角度而言，似乎不存在什麼自發秩序，不過這僅限基礎概念而言。如果拓展到其他物理學的面向後，再去看待何謂秩序，就會有不同的討論。
之前已經說過限制模型，接下來進入下一部份根據Mulder and Hamaker (2021)建議，在 RI-CLPM 中，有許多擴展模型，今天要介紹的是 Extension 1。Extension 1就是加入跨時間不變的預測或結果變項，本文將介紹此模型構造和語法。
在之前的文章中已經有提到細線併繞將會導致槽滿率的下降，本文就來深究其原因。
追根究柢就是因為多線併繞時，往往會於繞線的過程中，自然而然的產生類絞線排列，反倒使原本理想中的細線排列分佈，絞成了一個大圓線的配置，導致更多的間隙使得馬達槽滿率下降。
在線徑與並聯股數換算中有一個計算例，是4股的0.3m
因為 Fractal 好像沒標準的翻譯，所以Fractal 以下內文都統稱碎形
碎形的前提
Fractal 是我認為在交易中最複雜的概念。
它涵括了時間範圍、參與者的改變、新聞、消息...等變因，才造就了不同時框的 K 棒變化。
交易者所習慣觀察的時框大小，導致碎形能提供的資訊有所落差。
例
大語言模型（如GPT-3和GPT-4）的出現改變了我們與機器互動的方式。這些模型能夠理解和生成自然語言，實現許多以前無法想像的應用。然而，你可能會好奇，這些模型究竟是如何理解語言的？這裡，我們來探討一個關鍵的概念：「一切語義都是關係」。
這篇文章，會帶著大家複習以前學過的BFS框架，
並且以圖論的應用題與概念為核心，
貫穿一些相關聯的題目，透過框架複現來幫助讀者理解這個演算法框架。
BFS 框架 + 演算法 虛擬碼
# Queue 通常初始化成根結點，作為起點
BFS_queue = deque([root])
# 先
這篇文章，會帶著大家複習以前學過的前綴和框架，
並且以區間和的概念與應用為核心，
貫穿一些相關聯的題目，透過框架複現來幫助讀者理解這個演算法框架。
前綴和 prefix sum框架 與 區間和計算的關係式
接下來，我們會用這個上面這種框架，貫穿一些同類型，有關聯的題目
(請讀者、或觀眾
在前篇討論到純粹在基本熱力學的角度而言，似乎不存在什麼自發秩序，不過這僅限基礎概念而言。如果拓展到其他物理學的面向後，再去看待何謂秩序，就會有不同的討論。
之前已經說過限制模型，接下來進入下一部份根據Mulder and Hamaker (2021)建議，在 RI-CLPM 中，有許多擴展模型，今天要介紹的是 Extension 1。Extension 1就是加入跨時間不變的預測或結果變項，本文將介紹此模型構造和語法。
在之前的文章中已經有提到細線併繞將會導致槽滿率的下降，本文就來深究其原因。
追根究柢就是因為多線併繞時，往往會於繞線的過程中，自然而然的產生類絞線排列，反倒使原本理想中的細線排列分佈，絞成了一個大圓線的配置，導致更多的間隙使得馬達槽滿率下降。
在線徑與並聯股數換算中有一個計算例，是4股的0.3m