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" 新评论 MetaQuotes 2025.01.10 15:49 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 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
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