交易中的机器学习：理论、模型、实践和算法交易 - 页 1737

新评论
 
马克西姆-德米特里耶夫斯基。

k-means，最简单的

嗯，这是同一件事。

试试dbscan，我认为它更好。

看，我甚至可以看到你的聚类））我对自己很疯狂。）

 
亚历山大_K2。

我在某处表明（我忘了在哪里，因为我已经有一个多月没有做交易了），市场增量的概率分布是CB高斯分布和指数分布（或在一般情况下--厄兰吉）的乘积。

埃尔朗分布负责打勾报价的时间间隔，这种数字的生成器看起来是这样的


这里Lambda是事件流的强度（引号）。

如果Lambda=const，过程是静止的，但市场流动强度在不同的时间点是不同的，即Lambda=f(t)，决定了一般的非静止过程。

因此，为了区分一个静止的过程，有必要将具有相同通量密度的BP的单独部分视为一个整体。

因此，试图将BP划分为一天中的几个小时，然后将这些小时 "粘 "在一起--显然是有生命权的。

P.S.

根据我的计算，在一天之内，在接下来的几个小时内都能观察到相同的通量密度。

0

1, 23

2, 5, 22

3, 4, 8, 21

6, 7

9, 12, 19

10, 11, 15, 18

13, 14

16

17

20

嗯，这只是供参考...

 
mytarmailS:

嗯，这是同一件事

试试dbscan，我认为它更好。

看，我甚至可以看到你在聚类什么）。

你为什么害怕，我一开始就写了。

 
马克西姆-德米特里耶夫斯基。

你为什么吓坏了？ 我一开始就写了。

我没有看到它。

 
mytarmailS:

我没有看到它。

你能把带中心点的矩阵拉出来，在另一个有新数据的程序中单独使用吗？

也许R有这个功能？ 看看吧。

 
马克西姆-德米特里耶夫斯基。

你能把带中心点的矩阵拉出来，在另一个有新数据的程序中单独使用吗？

也许R有这个功能？ 看看吧。

如果我做对了，是的，我可以

 
mytarmailS:

如果我理解正确，是的，我可以。

教授

 
马克西姆-德米特里耶夫斯基。

教授

再次具体写出你想做的事情，而不需要进行不必要的编码


fake.dt <- matrix(rnorm(100),ncol = 5)
kn <- kmeans(fake.dt,centers = 3)

kn$centers
 kn$centers
       [,1]        [,2]        [,3]        [,4]       [,5]
1 0.1491919 -0.82943057  1.00194753 -0.78824900  0.7330618
2 0.4543194 -0.01318233 -2.36800973  0.05477085  0.2706286
3 0.1478300  0.34991845 -0.04671528  0.33735489 -0.6789331
三个集群的三个中心点
 
mytarmailS:

再次准确地写出你想做的事情，这样你就不会编写不必要的代码了

在拟合模型之后，应该有一个矩阵或类似的东西，这取决于算法。

可用于计算对新数据的预测和对旧数据的预测...

将其转移到元数据，并在测试器中读取。

 
那么，我该怎么做呢？ 我还不是很擅长聚类。
1...173017311732173317341735173617371738173917401741174217431744...3399
新评论