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
Porquê tomar o take após o extremo, porque a correcção poderia ter sido de 50%, o que significa que devemos tomar ZZ do último segmento a cerca de 100%.
,
Oh, então você quase desenhou o sistema que eu afixei anteriormente como um relatório :) Apenas tomo TP mais alto e não espero pela formação do último intervalo de ZZ (embora seja uma questão de ajustes).
Então? Podes largar o código? Ou pelo menos uma amostra.
Elo de amostragem.
A coluna "Alvo_100", na coluna da data final seguinte e as duas últimas colunas não são utilizadas no treinamento.
A amostra é dividida em 3 partes, o exam.csv não está envolvido no treinamento.
Como opções, uma saída antes de um extremo (com inversão),
uma saída no crossover com um canal baseado em 3 extremos
Existe uma área separada de classificação de séries cronológicas e bibliotecas relacionadas como esta
https://pyts.readthedocs.io/en/latest/auto_examples/transformation/plot_rocket.html
Alguém já o usou?
Existe uma área separada de classificação de séries cronológicas e bibliotecas relacionadas como esta
https://pyts.readthedocs.io/en/latest/auto_examples/transformation/plot_rocket.html
Alguém já o usou?
Devias usá-lo, é um pacote interessante. Apenas um construtor.
Devias usá-lo, é um pacote interessante. É como um construtor.
Eu dei um link para o ROCKET por uma razão - é uma espécie de conversor de recursos legal. Cria muitas características não correlacionadas com as originais, melhora a qualidade da classificação.
Recomenda-se a sua utilização com modelos lineares (uma vez que produz tantas características).
terá de o experimentar
Há uma razão para eu me ter ligado ao ROCKET em primeiro lugar - é um tipo de conversor de recursos legal. Cria muitas características não correlacionadas com as originais, melhora a qualidade da classificação.
recomenda-se o uso com modelos lineares (porque você obtém tantas características)
terá de o experimentar
Me avise sobre resultados - tópico muito interessante!
Cria muitas características não correlacionadas com as originais,
PCA normal?)
PCA normal?)
não