Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 3107
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Qual é o melhor método de agrupamento para agrupar esses objetos?
Basicamente, há uma matriz, e é importante avaliar sua similaridade como um todo. E, por algum motivo, acho que o K-means vai deixar tudo muito parecido.
Leitura interessante
https://quant.stackexchange.com/questions/1004/how-are-cryptography-and-speech-recognition-technology-applied-to-forecasting-fi
Sim, e em geral, émuito interessante examinar toda a tag[quant-trading-strategies]
Um presente na esperança de uma revisão
Qual método de agrupamento é mais adequado para agrupar esses objetos?
Basicamente, há uma matriz, e é importante avaliar sua similaridade como um todo. E, por algum motivo, acho que o K-means vai fazer uma média muito alta de tudo.
Chat-GPT:
"
Se as matrizes são descrições de um objeto tridimensional, então os métodos de agrupamento que levam em conta a estrutura dos dados tridimensionais podem ser usados para agrupá-las. Aqui estão algumas abordagens que podem ser úteis:
Método de agrupamento baseado em densidade: DBSCAN (Density-Based Spatial Clustering of Applications with Noise) é uma boa opção porque leva em conta a densidade dos dados. Você pode aplicar o DBSCAN a matrizes tridimensionais usando medidas de proximidade ou distâncias entre pontos no espaço tridimensional. Esse método pode ajudá-lo a identificar clusters que formam regiões compactas e densas no espaço tridimensional.
Agrupamento espectral: o método de agrupamento espectral pode ser útil para agrupar matrizes tridimensionais. Você pode aplicar uma transformação espectral a dados tridimensionais e, em seguida, usar métodos de agrupamento (por exemplo, k-means) para separar em grupos. Essa abordagem permite que você leve em conta a estrutura dos dados e identifique grupos semelhantes no espaço tridimensional.
Clusterização hierárquica: a clusterização hierárquica pode ser aplicada a matrizes tridimensionais para criar uma estrutura hierárquica de clusters. Você pode usar medidas de similaridade ou distância entre matrizes e mesclar ou separar clusters com base nessas medidas. Essa abordagem o ajudará a explorar as relações hierárquicas entre grupos de matrizes tridimensionais.
Também é importante considerar as características de seu conjunto de dados específico e escolher o método de agrupamento que melhor se adapte a seus objetivos e requisitos. Faça experiências com diferentes métodos e parâmetros para encontrar a abordagem mais adequada para sua tarefa.
"
Chat-GPT:
Eu mesmo pensei em fazer uma convolução da matriz em 5 pontos, por meio da média dos pontos vizinhos, e neles já procurar a similaridade por algum método.
E, por alguma razão, o K-means vai calcular muito a média das coisas.
Eu estava pensando na convolução da matriz por 5 pontos, por meio do cálculo da média dos pontos vizinhos, e em usá-los para buscar a semelhança por algum método.
...
o frasco assobia ))
...
o frasco apita).
Forte - um centroide. E eu estava pensando em vários com coordenadas fixas..... No entanto, com quem estou falando - um amante de soluções prontas para uso.....
Um presente na esperança de uma revisão
Qual método de agrupamento é mais adequado para agrupar esses objetos?
Basicamente, há uma matriz, e é importante avaliar sua similaridade como um todo. E, por algum motivo, o K-means parece que faria uma média muito alta.
h ttps:// habr.com/ru/companies/jetinfosystems/articles/467745/
Não vi uma resposta para a pergunta no link.