It is a Technical Analysis library useful to do feature engineering from financial time series datasets (Open, Close, High, Low, Volume). It is built on Pandas and Numpy. The library has implemented 42 indicators: Volume Money Flow Index (MFI) Accumulation/Distribution Index (ADI) On-Balance Volume (OBV) Chaikin Money Flow (CMF) Force Index...
私は値切るつもりはない。教えてくれということだから、そのサインをくれれば教えてテストする。いいものができたらソースコードを渡す。
もし正常な兆候があれば、それがたくさんあるはずがない。6kの標識のデータセットは必要ない。
そうでなければ他のことをする。
パイソンで再現する方が時間がかかる。私のデータでアプローチの有効性をテストし、それから予測計算コードを実装するかどうかを決める方が論理的です。
もし私が、他の人と比べて非常に「良い」予測因子を持っていたとしても、それを急いで公開することはないでしょう :)あなたはこれを行うことができます - 受け入れ可能な結果を持つモデルを私に提供し、そこからモデルにおける 重要度（その定義の1つの方法に従って）によって20の予測因子を引き出します。
さらに、私はバイナリ予測変数（予測変数の量子セグメントであり、この技術は再現がそれほど速くないので、配列が望ましいでしょう）に対する提案手法の有効性にも興味があります。
しかし、ここでは大量の予測子を使った結果に興味があるのです。もし何か興味深いことがあれば、その時はすでに、予測子の計算ロジックとその実装に時間と労力を費やすことができます。
私は1行で機能を備えていません - あなたはパイソンでそれらを再現するために多くの時間を費やすでしょう。私のデータでアプローチの有効性をテストし、それから予測計算コードを実装するかどうかを決める方が論理的です。
もし私が、他の人と比べて非常に「良い」予測変数を持っていたとしても、それを急いで公開することはないでしょう :)あなたはこれを行うことができます - 受け入れ可能な結果を持つモデルを私に提供し、そこからモデルにおける 重要度（その定義の1つの方法に従って）によって20の予測因子を引き出します。
その上、私はバイナリ予測子に対する提案手法の有効性にも興味があります - これは予測子からの量子セグメントであり、この技術は再現がそれほど速くないので、配列が望ましいでしょう - しかし、ここでは大量の予測子での結果に興味があります。
しかし、ここでは大量の予測子を使った結果に興味があるのです。もし何か興味深いものがあれば、その時点ですでに、予測子の計算ロジックとその実装に時間と労力を費やすことができます。
、、、、 6年ぶり。あなた自身の特性計算の例を10～20個挙げてください。You can have one with different periods.符号を計算するための入力式について。
大量のバイナリ形質はカウントしない。
その3kモデルから上位の結果をいくつか：
ラベルのサンプリングが違っても、同じ「パターン」が見つかるような気がする。、、、フすな。まあ、他のチップには他の絵があるでしょう。
さらに、私はバイナリ予測子（予測子からの量子セグメント）に対する提案手法の有効性にも興味がある、
例えば）フィッシュを16の量子に分割し、0と1を持つ16のフィッシュで分割することでしょうか？
ここで、1はプライマリチップの値が必要な量子にある場合、0は他の量子にある場合ですか？
これは、（例えば）1つのフィッシュを16の量子に分割し、それを0と1で16のフィッシュに分割するということですか？
ここで1とは、一次フィーチャーの値が必要な量子にあれば1、それ以外の量子にあれば0ということですか？
16の中から可能性のあるセグメントをいくつか選ぶということです。コーディングについては、そうですね。
Maxim Dmitrievsky #:
点線の左側のOOS
非常に堅苦しい。自分の特徴を計算した例を10～20個挙げてください。期間が異なるものでもよい。入力は形質の計算式である。
大量の2進符号は考えない。
これらの3kモデルから上位の結果をいくつか挙げる：
タグのサンプリングが異なっても、同じ「パターン」が見つかるような気がする。すべてのグラフが似ている。まあ、他のチップには他の写真があるでしょう。
Python用のta ライブラリがあります。
OOS（入力データ）はどのように形成されたのか？
古典的な方法で、終値での属性のセット
Python用のta ライブラリがあります。
どれがあなたのものですか？）
16の中から可能性のあるセグメントをいくつか選ぶということだ。コーディングについては、そうですね。
そうすると、1つの特徴を16の量子に分けて、番号をつけ、カテゴリーとしてマークすることができます。ツリーも同様に、それぞれのカテゴリー／量子をチェックします（==0、==1、==2 ......）。興味のない量子を1つのカテゴリーに入れることもできる。
あるいは、ほとんど、興味のない量子を犠牲にしてでも、ツリーが分割して最適な量子を選ぶかもしれません。
プラス面は、1チップで計算が速くなることだ。ファイルサイズとメモリ消費量は大幅に削減される。
15年間のOOS
そのアプローチは好奇心をそそるものだったが、同じように特徴には敏感だった。ただ、帰国子女にはそうはいかない。