文章 "数据科学和机器学习（第 13 部分）：配合主成分分析（PCA）改善您的金融市场分析"

[MetaQuotes]

新文章 数据科学和机器学习（第 13 部分）：配合主成分分析（PCA）改善您的金融市场分析已发布：

运用主成分分析（PCA）彻底革新您的金融市场分析！ 发现这种强大的技术如何解锁数据中隐藏的形态，揭示潜在的市场趋势，并优化您的投资策略。 在本文中，我们将探讨 PCA 如何为分析复杂的金融数据提供新的视角，揭示传统方法会错过的见解。 发掘 PCA 应用于金融市场数据如何为您带来竞争优势，并帮助您保持领先地位。

主成分分析（PCA）是一种降维方法，通常用于降低大型数据集的维数，具体就是将大型变量集转换为仍然包含大型数据集中大部分信息的较小变量集。

减少数据集中变量的数量通常以牺牲准确度为代价，但降维的诀窍就是牺牲很少的准确度来换取简单性。 您我都知道，数据集中的一些变量更容易探索、可视化，并令机器学习算法的分析数据变得更加容易和快捷。 我个人并不认为牺牲准确度来换取交易简单是一件坏事，因为我们身处交易领域。 准确度并不一定意味着盈利。

PCA 的主要思想在核心上非常简单：减少数据集中的变量数量，同时保留尽可能多的信息。 我们来看一下主成分分析算法中涉及的步骤。

作者：Omega J Msigwa

[LordVinicius]

问题：哪些指标具有反相关性？该指标能否根据资产和参数的不同而变化？在此方案中，您能否在处理程序中插入其他指标，以便我们可以一起对它们进行评估？您的文章非常棒！非常感谢！

[LordVinicius]

疑问：1 - 这 3 个指标是什么？它们之间是反向相关的。对吗？2 - 能否更改程序以插入更多指标？比如程序中的趋势指标，如移动平均线 和成交量指标？3 - 3 个指标的结果是否会因资产、时间框架和各自参数的不同而变化？

[Omega J Msigwa]

LordVinicius 移动平均线 和成交量指标？3 - 3 个指标的结果是否会因资产、时间框架和各自参数的不同而变化？

感谢您阅读我的文章，这个程序有很多想法和指标可供使用。我无法一一探讨，但我建议你下载程序并使用它，因为我相信这篇文章已经说得很清楚了。没有人可以为你做工作，尤其是为你，尤其是免费。