文章 "您应当知道的 MQL5 向导技术（第 16 部分）：配合本征向量进行主成分分析"

[MetaQuotes]

新文章 您应当知道的 MQL5 向导技术（第 16 部分）：配合本征向量进行主成分分析已发布：

本文所见的主成分分析，是数据分析中的一种降维技术，文中还有如何配合本征值和向量来实现它。一如既往，我们瞄向的是开发一个可在 MQL5 向导中使用的原型专业信号类。

SVD 能够将矩阵数据集拆分为 3 个单独的矩阵来达成降维，其中这 3 个矩阵之一，即 Σ 矩阵，标识数据中最重要的方差方向。这个矩阵也称为对角矩阵，包含奇异值，这些值表示沿每个预先确定的方向的方差量级（记录在 3 个矩阵中的另一个矩阵中，通常称为 U）。奇异值越大，在解释数据可变性时的相应方向就越重要。这导致了含有最高奇异值的 U 列被选作为整个矩阵的代表，其作为相当于将矩阵降维至单个向量。

相反，幂方法迭代细化向量估算，以便朝向主导本征向量收敛。该本征向量捕获数据中最明显变化的方向，并相当于一次原始矩阵的降维。

然而，配合本文所专注的本征向量和数值，我们能够将一个 n x n 矩阵简化为 n 个可能的 n 大小向量，每个向量都得以分配一个本征值。然后，由该本征值指导选择一个最能表示矩阵的本征向量，在解释数据可变性时，该值越高表示正相关程度越高。

作者：Stephen Njuki

[Sebastien Nicolas Paul Boulenc]

非常有用，谢谢。

对于"_m "矩阵，为什么不遍历"_rates "索引直到 "i<=_buffer_size"？

[Stephen Njuki]

Sebastien Nicolas Paul Boulenc #:

了解这些非常有用，谢谢。

对于"_m "矩阵，为什么不遍历"_rates "索引直到 "i<=_buffer_size"？

 
  if(_buffer_size >= 2)
   {  for(int i = 1; i <= _buffer_size - 1; i++)
      {
      
      ...
      
      }
   }

本来应该是这样的，但考虑到缓冲区容量很大，我想我们复制了一年的数据，这个错误的影响微乎其微。感谢您的指出。

[Sebastien Nicolas Paul Boulenc]

Stephen Njuki #:

本来应该是这样的，但考虑到缓冲区很大，我想我们复制了一年的数据，这个错误的影响微乎其微。感谢您的指出。

这当然是个细节问题，不用谢。