Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2405

elibrarius:
Это если у вас только цены на входе. А если еще и время от 0 бара до того на котором вы смотрите цену, а если еще объемы (тик/реал) или еще что-то. Евклидово, да и вообще любое расстояние между фичами будет неадекватно. Как можно уравнять 5 пунктов цены, 5 минутных баров, 5 часовых баров, 5 лотов объема? Никак.
А кластеризатор их посчитает равными.

Можно использовать метрику Махаланобиса или какую-то нормализацию данных.

Aleksey Nikolayev:

Можно использовать метрику Махаланобиса или какую-то нормализацию данных.

Нормализация просто изменит масшьабы. Из шара сделает элипсоид - если мах величины не совпадают. Будете 5 пт уравнивать с 2 часами и 7 лотами.
В любом случае это уравнивание теплого с мягким. После нормализации получится теплое с пушистым))

elibrarius:

Нормализация просто изменит масшьабы. Из шара сделает элипсоид - если мах величины не совпадают. Будете 5 пт уравнивать с 2 часами и 7 лотами.
В любом случае это уравнивание теплого с мягким. После нормализации получится теплое с пушистым))

Иногда можно для нормализации признаков использовать их функцию распределения для СБ. Например, длины колен зигзага для СБ распределены по экспоненциальному закону и тд. Если распределение точно неизвестно, то можно его построить приближённо, посредством моделирования Монте Карло.

elibrarius:

Нормализация просто изменит масшьабы. Из шара сделает элипсоид - если мах величины не совпадают. Будете 5 пт уравнивать с 2 часами и 7 лотами.
В любом случае это уравнивание теплого с мягким. После нормализации получится теплое с пушистым))

Теплое с пушистым это хотеть сравнивать  - 

elibrarius:
 5 часовых баров и 5 лотов объема
Aleksey Nikolayev:

Можно использовать метрику Махаланобиса или какую-то нормализацию данных.

Почему у всех знаменитых математиков такие заковыристые фамилии?

secret:

Почему у всех знаменитых математиков такие заковыристые фамилии?

Индиец же) У них там есть и позаковыристее)

[Удален]
Энтропия давно используется везде в кач-че ф-ии потерь или кросс энтропия. Да и потом, все это не имеет никакого значения на рядах с плавающим законом, если и имеет, то второстепенную важность. Решение лежит на поверхности и уже предлагался один из вариантов в этой теме, шатко-валко работает. Подробности пока не скажу, но статью напишу когда-нибудь. З.Ы. наверное, погорячился про поверхность, но по крайней мере для меня 😀
[Удален]
Справочка по метрикам, сам не знаю некоторые https://russianblogs.com/article/7586220986/
Maxim Dmitrievsky:
Справочка по метрикам, сам не знаю некоторые https://russianblogs.com/article/7586220986/

Если признаки равномерно распределены в единичном кубе, то наиболее правильной метрикой интуитивно кажется Чебышовская. Другое дело, что вряд ли получится так хорошо нормализовать произвольные признаки.

[Удален]
Aleksey Nikolayev:

Если признаки равномерно распределены в единичном кубе, то наиболее правильной метрикой интуитивно кажется Чебышовская. Другое дело, что вряд ли получится так хорошо нормализовать произвольные признаки.

Экспериментировал с нормализацией, получаются приличные потери в моделях, без неё лучше. Поэтому леса деревьев, а не нейросети.