Maxim, cuéntanos más sobre cómo agrupas la trayectoria del precio de un par de divisas por el coeficiente de asimetría.
Se calcula en una ventana deslizante como rasgo y se añade al conjunto de datos. La agrupación se realiza en función de este rasgo, se asignan etiquetas de agrupación a todo el conjunto de datos. A continuación, se seleccionan las filas que pertenecen a uno de los clusters. Los precios y todos los demás atributos permanecen ahí. Eso es todo.
Sin embargo, he encontrado una pequeña explicación.
Probablemente, lanzar algunos vértices fuera de la fila ZZ tendría el mismo efecto.
import pandas as pd
from scipy.signal import find_peaks
@njit
def calculate_labels_zigzag(peaks, troughs, len_close):
"""
Generates labels based on the occurrence of peaks and troughs in the data.
Args:
peaks (np.array): Indices of the peaks in the data.
troughs (np.array): Indices of the troughs in the data.
len_close (int): The length of the close prices.
Returns:
np.array: An array of labels.
"""
labels = np.empty(len_close, dtype=np.float64)
labels.fill(2.0) # Inicializar todas las etiquetas a 2.0 (sin señal)for i inrange(len_close):
if i in peaks:
labels[i] = 1.0# Señal de venta en los picoselif i in troughs:
labels[i] = 0.0# Buy signal at troughsreturn labels
def get_labels_filter_ZZ(dataset, peak_prominence=0.1) -> pd.DataFrame:
"""
Generates labels for a financial dataset based on zigzag peaks and troughs.
This function identifies peaks and troughs in the closing prices using the 'find_peaks'
function from scipy.signal. It generates buy signals at troughs and sell signals at peaks.
Args:
dataset (pd.DataFrame): DataFrame containing financial data with a 'close' column.
peak_prominence (float, optional): Minimum prominence of peaks and troughs,
used to filter out insignificant fluctuations.
Defaults to 0.1.
Returns:
pd.DataFrame: The original DataFrame with a new 'labels' column and filtered rows:
- 'labels' column:
- 0: Buy
- 1: Sell
- Rows where 'labels' is 2 (no signal) are removed.
- Rows with missing values (NaN) are removed.
"""# Encuentra máximos y mínimos en los precios de cierre
peaks, _ = find_peaks(dataset['close'], prominence=peak_prominence)
troughs, _ = find_peaks(-dataset['close'], prominence=peak_prominence)
# Calcular etiquetas de compra/venta utilizando la nueva función de etiquetado en zigzag.
labels = calculate_labels_zigzag(peaks, troughs, len(dataset))
# Añade las etiquetas calculadas como una nueva columna 'labels' al DataFrame
dataset['labels'] = labels
# Elimina las filas en las que la columna 'labels' tiene un valor de 2.0 (sin señal)
dataset = dataset.drop(dataset[dataset.labels == 2.0].index)
# Devuelve el DataFrame modificado return dataset
Evgeni Gavrilovi #: Por supuesto, sería posible añadir detracciones, porque las líneas suaves son confusas, siento que allí la detracción era de hasta -80% o incluso más).
No acepto ninguna sugerencia para mejorar el artículo, sólo la discusión del artículo existente / preguntas.
Window# instances are returned by calls: and . instances are returned by calls: and . instances are returned by calls: and . Rolling window functions# Weighted window functions# Expanding window functions# Exponentially-weighted window functions...
Para iniciar sesión y usar el sitio web MQL5.com es necesario permitir el uso de Сookies.
Por favor, active este ajuste en su navegador, de lo contrario, no podrá iniciar sesión.
Ha iniciado sesión. La autenticación de dos factores se ha desactivado. Vuelva a configurarla y escanee un nuevo código QR, o continúe con la autenticación de dos factores desactivada.
Se calcula en una ventana deslizante como rasgo y se añade al conjunto de datos. La agrupación se realiza en función de este rasgo, se asignan etiquetas de agrupación a todo el conjunto de datos. A continuación, se seleccionan las filas que pertenecen a uno de los clusters. Los precios y todos los demás atributos permanecen ahí. Eso es todo.
¿Por qué no ZZ entonces?
Sin embargo, he encontrado una pequeña explicación.
Probablemente, lanzar algunos vértices fuera de la fila ZZ tendría el mismo efecto.Usted mismo puede añadir este código a la biblioteca de marcado de acuerdos.
Se puso peor.
Se puso peor.
¿Es posible combinar modelos en MT5? Digamos que seleccioné top 20, por lo tanto aparecieron 40 archivos onnx. ¿Qué debo hacer en este caso?
¿Es posible combinar modelos en MT5? Digamos que seleccioné top 20, por lo tanto aparecieron 40 archivos onnx. ¿Qué debo hacer en este caso?
Por supuesto, sería posible añadir detracciones, porque las líneas suaves son confusas, siento que allí la detracción era de hasta -80% o incluso más).
Añadidos todos los atributos básicos del módulo pandas.
https://pandas.pydata.org/docs/reference/window.html
Como resultado, obtuve este gráfico. Maxim, gracias por tu trabajo.