交易中的机器学习：理论、模型、实践和算法交易 - 页 2066

新评论
 
Aleksey Vyazmikin:

我不知道该如何解释 :)

我把这个功能

尝试XOR
 
Aleksey Nikolayev:

寻找盘中模式的工作受到盘中波动的阻碍。我们需要以某种方式摆脱他们。可能的方式。

1）重新调整增量，以考虑到日内的波动。

2）切换到一个新的日内时间，在这个时间内，方差均匀增长。

3）使用 "之 "字形图案。膝盖的价值不取决于波动率的波动。时间顶点当然取决于波动率（在波动率高的地方它们更频繁），但是当传递到一个统一的时间时，这些集群就会消失。

第1点是否足够？还是2也必须是？它是什么？解释一下。
 
elibrarius:
什么是预分析？你输入模型并进行比较--有和没有这个功能。

通过matstat进行数据分析，从狭义上讲，是为了找到价格和SB之间的有用差异。与MO的主要区别在于，模型的制定是明确的，并且有一组小的参数。

 
elibrarius:
尝试XOR

我将尝试不同的，也许以后。一般来说，我认为我们应该做聚类，并从类似的聚类中一次拉出一串，否则无论如何学习的质量都会下降。

 
elibrarius:
第1点是否足够？还是2也必须是？它是什么？解释一下。

也许通过一个应用实例来解释比较容易。

第1点）是对 持续-反持续的昼夜波动假说的检验。这是对价格持续或反之趋势的检查--根据一天中的时间来改变其方向。为此，你需要了解相关的情况。

第2）和第3）点--检验价格反转 "按小时发生 "的假设，最好在 "正确 "时间进行。

第3点）--通过研究人字形长度的经验分布，寻找一天中时间的平坦（趋势）时刻。

 
Aleksey Nikolayev:

通过一个应用实例来解释可能会更容易。

第1点）--测试持续-反持续的昼夜波动假说。它是对价格持续或反之倾向的检查--根据一天中的时间来改变其方向。为此，你需要了解相关的情况。

第2）和第3）点--检验价格反转 "按小时发生 "的假设，最好在 "正确 "时间进行。

第3点）--通过研究人字形长度的经验分布，寻找一天中的平坦（趋势）时刻。

在几个月中，有的地方只提到了月的一天，有的地方也提到了周的一天。通过代码只对研究期内的时间。

 
Aleksey Vyazmikin:

我将尝试不同的，也许以后。一般来说，我认为有必要进行聚类，并从相似的聚类中各抽出一条线，否则无论如何学习的质量都会下降。

树上的每一片叶子都是一个集群。而且不仅仅是在特征的数量上，而且在类别的最佳分离方面也是如此
 
elibrarius:
树上的每一片叶子都是一个集群。而且不仅仅是在特征的数量上，而且在类别的最佳分离方面也是如此

这是正确的，但是如果你去掉那些字符串，这些字符串在叶子中已经很多了，会少一点（类 "0"），质量应该不会下降，而 "1 "的相对指标会更多，因此，模型将能够在搜索中考虑到这些选项叶子，以前统计学上没有正确做到这一点。

另一个选择是去除独特的叶子，这可能会影响到学习。

 
Valeriy Yastremskiy:

在几个月内，也只提到月的一天或周的一天。根据代码，只有在研究期内的时间。

对于超过一天的时间，存在着将新闻背景的影响与周期性分开的问题。我并不真正理解如何解决这个问题。

 
Aleksey Nikolayev:

对于超过一天的时间，存在着将新闻背景的影响与周期性分开的问题。我真的不知道如何能解决这个问题。

我理解这一天的情况，我同意。这个问题是关于一周中的哪一天。平均期间内的时间，即天数，最初并不与一周中的某一天相联系。你最初可以对一周中的一天进行绑定，以检测周内的重复性，同时考虑到一天中的时间。你只与每月的一天的时间有联系。

1...205920602061206220632064206520662067206820692070207120722073...3399
新评论