L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3107
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Qual è il miglior metodo di clustering per raggruppare tali oggetti?
In pratica c'è una matrice ed è importante valutarne la somiglianza nel suo complesso. E per qualche ragione, K-means, credo, farà una media di tutto.
Una lettura interessante
https://quant.stackexchange.com/questions/1004/how-are-cryptography-and-speech-recognition-technology-applied-to-forecasting-fi
Sì e in generale, l'intero tag[quant-trading-strategies] èmolto interessante da esaminare
Un regalo nella speranza di una recensione
Quale metodo di clustering è più adatto per raggruppare tali oggetti?
In pratica c'è una matrice ed è importante valutarne la somiglianza nel suo complesso. E per qualche ragione, K-means, credo, farà una media di tutto.
Chat-GPT:
"
Se le matrici sono descrizioni di un oggetto tridimensionale, per raggrupparle si possono utilizzare metodi di clustering che tengono conto della struttura dei dati tridimensionali. Ecco alcuni approcci che possono essere utili:
Metodo di clustering basato sulla densità: DBSCAN (Density-Based Spatial Clustering of Applications with Noise) è una buona scelta perché tiene conto della densità dei dati. È possibile applicare DBSCAN a matrici tridimensionali utilizzando misure di prossimità o distanze tra punti nello spazio tridimensionale. Questo metodo può aiutare a identificare i cluster che formano regioni compatte e dense nello spazio tridimensionale.
Clustering spettrale: il metodo del clustering spettrale può essere utile per raggruppare matrici tridimensionali. È possibile applicare una trasformazione spettrale ai dati tridimensionali e quindi utilizzare i metodi di clustering (ad esempio, k-means) per separarli in cluster. Questo approccio consente di tenere conto della struttura dei dati e di identificare gruppi simili nello spazio tridimensionale.
Clustering gerarchico: il clustering gerarchico può essere applicato a matrici tridimensionali per costruire una struttura gerarchica di cluster. È possibile utilizzare misure di somiglianza o di distanza tra le matrici e unire o separare i cluster in base a queste misure. Questo approccio consente di esplorare le relazioni gerarchiche tra gruppi di matrici tridimensionali.
È inoltre importante considerare le caratteristiche del vostro particolare set di dati e scegliere il metodo di clustering più adatto ai vostri obiettivi e requisiti. Sperimentate diversi metodi e parametri per trovare l'approccio più appropriato per il vostro compito.
"
Chat-GPT:
Io stesso ho pensato di fare una convoluzione della matrice su 5 punti, attraverso la media dei punti vicini, e su di essi cercare già la somiglianza con qualche metodo.
E, per qualche motivo, K-means farà una media molto alta.
Stavo pensando alla convoluzione della matrice di 5 punti, attraverso la media dei punti vicini, e all'uso di questi per cercare la somiglianza con qualche metodo.
...
il fiasco fischia ))
...
la fiaschetta fischia).
Forte - un centroide. e stavo pensando di farne diversi con coordinate fisse..... Tuttavia, con chi sto parlando - con un amante delle soluzioni standard.....
Un regalo nella speranza di una recensione
Quale metodo di clustering è più adatto per raggruppare tali oggetti?
In pratica c'è una matrice ed è importante valutarne la somiglianza nel suo complesso. E per qualche ragione, K-means sembra che farebbe una media molto alta.
h ttps:// habr.com/ru/companies/jetinfosystems/articles/467745/
Non ho visto una risposta alla domanda nel link.