文章 "使用Python和MQL5开发机器人（第一部分）：数据预处理" - 页 3

[fxsaber]

Maxim Dmitrievsky #:

那么价格一定是伪静态的。这在趋势市场中是看不到的。

好吧，让我们预测增量。然后，让我们来看看增量的增量。它们是伪静态的吗？

然而，如果我们学会了预测增量，这是否意味着我们学会了预测其衍生物--价格？

[[删除]]

fxsaber #:

我在密苏里州的成绩为零，所以我只能依靠这篇文章。

如果我理解正确的话，自动机是人类选择的更广阔领域。如果说人类可以选择累积的数量，那么自动机就更可以了。

问题的关键在于，输入模型的任何特征都必须是伪静态的，否则模型将无法在新数据上正确工作。这就是分类器的局限性。

数据必须以在新数据上持续存在的值等级来表示。如果不满足这个条件，模型在超出这个范围时就会停留在边界值上。

例如，预测总是 0 或总是 1。

[[删除]]

fxsaber #:

好的，让我们预测增量。然后，我们来看看增量的增量。它们是伪静态的吗？

然而，如果我们学会了预测增量，是否意味着 我们学会了预测其导数--价格？

是的。

[fxsaber]

Maxim Dmitrievsky #:

数据必须在数值范围内表示，并在新数据中保存。如果不满足这个条件，当超出这个范围时，模型将停留在边界值上。

也就是说，这些符号显然应该被扔掉？

    # Add simple features
    raw_data['raw_SMA_10'] = raw_data['close'].rolling(window=10).mean()
    raw_data['raw_SMA_20'] = raw_data['close'].rolling(window=20).mean()

因为它们的值很容易超出训练区间。

[[删除]]

fxsaber #:

这些标志应该被丢弃吗？

因为它们的值很容易超出训练区间。

是的，它们不能用，就像开盘价一样。

是不能用。从技术上讲，你可以用，但这充满了模型在新数据面前停滞不前的风险。

如果你能预见到它们在不久的将来不会超出其范围，那么你就可以使用。

[fxsaber]

分类学习认为，价格、回报率^1、回报率^2......等特征是相同的--它们之间有明确的关系，因此该列表中应该只剩下一个属性？是相同的--它们之间存在着明确的关系，因此这个列表中应该只剩下一个属性？

[fxsaber]

Maxim Dmitrievsky #:

如果有某种愿景，认为它们在不久的将来不会超出范围，那就可以。

黄金和加密货币不适合这样做。

[[删除]]

fxsaber #:
分类学习认为，价格、回报率^1、回报率^2......等特征是相同的--它们之间有明确的关系，因此该列表中应该只剩下一个属性？是相同的--它们之间存在着明确的关系，因此这个列表中应该只剩下一个属性？

不一样，还是有区别的。解决方案取决于属性的总数。如果数量过多，可以进行清理。如果不是，则可以保留。此外，它们略有不同（增量具有不同的滞后期），可以为模型提供额外的有用信息。

由于上述原因，价格已被删除。

[[删除]]

fxsaber #:

黄金和加密货币不符合这个条件。

适合的不多，所以所有迹象至少都是趋势性的。

[fxsaber]

MO似乎被定位为具有超级计算能力和记忆力的存在（超人类）。

普通人用什么符号来创建 TC 呢？我从未见过一个人看着增量图并试图预测它。