Обсуждение статьи "Машинное обучение и Data Science (Часть 13): Анализируем финансовый рынок с помощью метода главных компонент (PCA)"
Вопросы: Какие показатели имеют обратную корреляцию? Может ли этот показатель меняться в зависимости от актива и параметров? Можно ли в этой программе вставить в обработчик другие индикаторы, чтобы мы могли оценивать их вместе? Ваши статьи просто великолепны! Спасибо вам большое!
Сомнения: 1 - Что это за 3 показателя? Они обратно коррелируют друг с другом. Правильно? 2 - Можете ли вы изменить программу, чтобы вставить больше индикаторов? Трендовые индикаторы, такие как скользящая средняя и индикатор объема в программе? 3 - Меняется ли результат работы этих 3 индикаторов для каждого актива, таймфрейма и соответствующих параметров?
Спасибо, что прочитали мою статью, в этой программе есть много идей и индикаторов, с которыми можно поиграть. Я не могу изучить все из них, поэтому я бы предложил скачать программу и поиграть с ней, так как я считаю, что статья очень ясна. Никто не может сделать работу за вас, особенно за вас, особенно бесплатно.
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Опубликована статья Машинное обучение и Data Science (Часть 13): Анализируем финансовый рынок с помощью метода главных компонент (PCA):
Попробуем качественно улучшить анализ финансовых рынков с помощью метода главных компонент (Principal Component Analysis, PCA). Узнаем, как этот метод может помочь выявлять скрытые закономерности в данных, определять скрытые рыночные тенденции и оптимизировать инвестиционные стратегии. В этой статье мы посмотрим, как метод PCA дает новую перспективу для анализа сложных финансовых данных, помогая увидеть идеи, которые мы упустили при использовании традиционных подходов. Дает ли применение метода PCA на данных финансовых рынков конкурентное преимущество и поможет ли быть на шаг впереди?
Метод главных компонент — это метод уменьшения размерности, который часто используется для уменьшения размерности больших датасетов путем преобразования большого набора переменных в меньший, который по-прежнему содержит большую часть информации из большого набора.
Уменьшение количества переменных в выборке обычно происходит за счет уменьшения точности, но хитрость в уменьшении размерности заключается в том, чтобы немного пожертвовать точностью ради упрощения. Мы с вами знаем, что небольшое количество переменных в датасете легче исследовать и визуализировать, а сам анализ данных становится намного проще и быстрее для алгоритмов машинного обучения. Лично я не считаю, что выбор простоты в обмен на точность — это плохо, если речь идет об области торговли. Точность не обязательно означает прибыль.
Основная идея метода проста: уменьшить количество переменных в наборе данных, сохраняя при этом как можно больше информации. Давайте посмотрим, из каких шагов состоит алгоритм метода главных компонент.
Автор: Omega J Msigwa