Diskussion zum Artikel "Datenwissenschaft und maschinelles Lernen (Teil 13): Verbessern Sie Ihre Finanzmarktanalyse mit der Principal Component Analysis (PCA)"
Fragen: Welche Indikatoren weisen eine umgekehrte Korrelation auf? Kann dieser Indikator je nach Asset und Parameter variieren? Können Sie in diesem Programm weitere Indikatoren in den Handler einfügen, damit wir sie gemeinsam auswerten können? Ihre Artikel sind großartig! Herzlichen Dank!
Zweifeln: 1 - Was sind die 3 Indikatoren? Sie sind umgekehrt zueinander korreliert. Ist das richtig? 2 - Können Sie das Programm ändern, um weitere Indikatoren einzufügen? Trendindikatoren wie gleitender Durchschnitt und Volumenindikator in das Programm? 3 - Ändert sich das Ergebnis der 3 Indikatoren für jeden Vermögenswert, Zeitrahmen und die jeweiligen Parameter?
Danke, dass Sie meinen Artikel gelesen haben. Es gibt viele Ideen und Indikatoren, mit denen man in diesem Programm spielen kann. Ich kann nicht alle von ihnen erkunden tbh Ich würde vorschlagen, das Programm herunterladen und spielen mit ihm, wie ich glaube, der Artikel ist sehr klar. Kein Körper kann die Arbeit für Sie tun, vor allem für Sie, vor allem für frei.
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Neuer Artikel Datenwissenschaft und maschinelles Lernen (Teil 13): Verbessern Sie Ihre Finanzmarktanalyse mit der Principal Component Analysis (PCA) :
Revolutionieren Sie Ihre Finanzmarktanalyse mit der Principal Component Analysis (PCA, Hauptkomponentenanalyse)! Entdecken Sie, wie diese leistungsstarke Technik verborgene Muster in Ihren Daten entschlüsseln, latente Markttrends aufdecken und Ihre Anlagestrategien optimieren kann. In diesem Artikel untersuchen wir, wie die PCA eine neue Sichtweise für die Analyse komplexer Finanzdaten bieten kann, die Erkenntnisse zutage fördert, die bei herkömmlichen Ansätzen übersehen würden. Finden Sie heraus, wie die Anwendung von PCA auf Finanzmarktdaten Ihnen einen Wettbewerbsvorteil verschaffen und Ihnen helfen kann, der Zeit voraus zu sein.
Die Hauptkomponentenanalyse (PCA) ist eine Methode zur Dimensionalitätsreduktion, die häufig zur Verringerung der Dimensionalität großer Datensätze verwendet wird, indem eine große Menge von Variablen in eine kleinere Menge umgewandelt wird, die immer noch den Großteil der Informationen in der großen Menge enthält.
Die Verringerung der Anzahl der Variablen im Datensatz geht in der Regel auf Kosten der Genauigkeit, aber der Trick bei der Dimensionalitätsreduktion besteht darin, geringe Genauigkeit gegen Einfachheit einzutauschen. Wir beide wissen, dass einige wenige Variablen im Datensatz einfacher zu erforschen und zu visualisieren sind und die Analyse der Daten für Algorithmen des maschinellen Lernens wesentlich einfacher und schneller machen. Ich persönlich denke nicht, dass es eine schlechte Sache ist, Einfachheit gegen Genauigkeit einzutauschen, denn wir befinden uns im Handelsbereich. Genauigkeit bedeutet nicht unbedingt Gewinne.
Die Grundidee der PCA ist im Kern sehr einfach: Reduzieren der Anzahl der Variablen in einem Datensatz und dem Bewahren von so viel Information wie möglich. Schauen wir uns die einzelnen Schritte des Algorithmus der Hauptkomponentenanalyse an.
Autor: Omega J Msigwa