文章 "基于机器学习构建均值回归策略"
这一点都不重要，但还是希望没有开箱即用的战棋游戏。
萨维茨基-戈利滤波器与普通移动平均线的主要区别在于，它不会滞后于价格。
在非平稳时间序列上在线使用该滤波器是错误的，因为最后的值可能会被重新绘制，但它非常适合在现有数据上标记交易。
为什么不使用 ZZ？
没错，我找到了一个小解释。
这种标记有其特殊性：
- 并非所有标记的交易都有利可图，因为价格在越过色带后的进一步变化并不总是朝着相反的方向发展。因此，可能会有虚假标记为买入或卖出的例子。
- 理论上，这一缺点可以通过标记是同质和非随机的这一事实来弥补，因此，错误标记的例子可以被视为训练 或整个交易系统中的错误，这可能会减少输出时的再训练。
分布的偏度（或斜度）是描述数据分布相对于其平均值的不对称程度的一种特征。偏度表示分布偏离对称分布（如正态分布）的程度。偏度用偏度系数（偏斜度）来衡量。Кластеризация по скосу ，可以识别具有相似分布特征的数据组，从而帮助您识别这些模式。例如，正偏度可能表明在某些时期（如危机期间）价格会出现罕见的大幅飙升，而负偏度可能表明在某些时期价格变化较为平稳。
也许我只是肤浅地看问题，但按斜度聚类难道不是对未来的窥探吗？
我认为市场聚类应该根据实时特征来进行：时间、滑动等。
- catmodel EURGBP_H1 0.onnx — основная модель, которая дает сигналы на покупку и продажу
- catmodel_m EURGBP_H1 0.onnx — дополнительная модель, которая разрешает или запрещает торговлю
读到这里，我不明白原点在哪里。
新文章 基于机器学习构建均值回归策略已发布：
在开始聚类前，我们需要明确其必要性。想象一张价格图表：包含趋势、震荡、高波动/低波动期、各类形态等特征。也就是说，价格图表并非一成不变，不存在完全相同的模式。甚至可以说，不同时间段可能存在截然不同的模式，且这些模式会随时间消失或演变。
聚类让您能够根据某些特征把原始时间序列划分成若干“状态”，每个状态都描述了相似的观测结果。这样能让构建交易系统的任务变得更简单，因为训练将在更同质、更相似的数据上进行。至少，您可以如此设想。自然而然地，交易系统不再在整个历史周期上运行，而只在由不同时间点组成、且这些时间点的值落在给定聚类内的选定片段上运行。
聚类之后，只需对被选中的样本进行标注（即赋予唯一类别标签），即可构建最终模型。如果一个聚类包含的是相似观测值的同质数据，那么它的标注应该会更同质，进而更具可预测性。您可以取多个数据聚类，分别对它们进行标注，然后在每个聚类的数据上训练机器学习模型，并在训练集和测试集上进行测试。如果找到一个能让模型很好地学习（即泛化并预测新数据）的聚类，那么就认为构建交易系统的任务已经基本完成。
作者：dmitrievsky