記事「データサイエンスと機械学習（第13回）：主成分分析(PCA)で金融市場分析を改善する」についてのディスカッション
質問：逆相関を持つ指標は？この指標は資産やパラメータによって変化しますか？このプログラムでは、他の指標をハンドラーに挿入して、一緒に評価することができますか？あなたの記事は素晴らしいです！ありがとうございました！
LordVinicius 移動平均や ボリュームインジケータのようなトレンド指標？3 - 3つのインジケータの結果は、各資産、タイムフレーム、各パラメータで変化しますか？
私の記事を読んでいただきありがとうございます。このプログラムで遊べるアイデアや指標はたくさんあります。このプログラムで遊べるアイデアやインジケータはたくさんあります。誰もあなたのために、特にあなたのために、特に無料で仕事をすることはできません。
取引の機会を逃しています。
- 無料取引アプリ
- 8千を超えるシグナルをコピー
- 金融ニュースで金融マーケットを探索
新しい記事「データサイエンスと機械学習（第13回）：主成分分析(PCA)で金融市場分析を改善する」はパブリッシュされました:
主成分分析（Principal component analysis、PCA）で金融市場分析に革命を起こしましょう。この強力な手法がどのようにデータの隠れたパターンを解き放ち、潜在的な市場動向を明らかにし、投資戦略を最適化するかをご覧ください。この記事では、PCAが複雑な金融データを分析するための新しいレンズをどのように提供できるかを探り、従来のアプローチでは見逃されていた洞察を明らかにします。金融市場データにPCAを適用することで競争力を高め、時代を先取りする方法をご覧ください。
主成分分析(PCA)は、大きなデータセットの次元を削減するためによく使用される次元削減手法です。これは、変数の大きなセットを、大きなセット内のほとんどの情報をまだ含む小さな変数に変換することによっておこなわれます。
データセット内の変数の数を減らすと、通常は精度が犠牲になりますが、次元削減の秘訣は、単純化のために精度をほとんど犠牲にすることです。あなたも私も、データセット内のいくつかの変数を使用すると、探索、視覚化が容易になり、機械学習アルゴリズムのデータ分析がはるかに簡単かつ高速になることを知っています。私は個人的に、正確さのためにシンプルさを犠牲にすることは悪いことではないと思います。正確さは必ずしも利益を意味するわけではありません。
PCAの主なアイデアは、核となる非常に単純なものです。できるだけ多くの情報を保持しながら、データセット内の変数の数を減らします。主成分分析アルゴリズムに含まれる手順を見てみましょう。
作者: Omega J Msigwa