文章 "基于机器学习构建均值回归策略" - 页 4

[[删除]]

Evgeniy Chernish #:

马克西姆，请告诉我们更多关于您如何通过不对称系数对货币对的价格轨迹进行聚类的信息。

它是在一个滑动窗口中作为一个特征计算出来并添加到数据集中的。根据这一特征进行聚类，为整个数据集分配聚类标签。然后选择属于其中一个聚类的行。价格和所有其他属性保持不变。仅此而已。

[[删除]]

fxsaber #:

那为什么不是 ZZ？

不过，我找到了一个小小的解释。

也许，把一些顶点从 ZZ 行中扔出去也会产生同样的效果。

import pandas as pd
from scipy.signal import find_peaks

@njit
def calculate_labels_zigzag(peaks, troughs, len_close):
    """
    Generates labels based on the occurrence of peaks and troughs in the data.

    Args:
        peaks (np.array): Indices of the peaks in the data.
        troughs (np.array): Indices of the troughs in the data.
        len_close (int): The length of the close prices.

    Returns:
        np.array: An array of labels.
    """
    labels = np.empty(len_close, dtype=np.float64)
    labels.fill(2.0)  # 将所有标签初始化为 2.0（无信号）
    
    for i in range(len_close):
        if i in peaks:
            labels[i] = 1.0  # 在峰值时发出卖出信号
        elif i in troughs:
            labels[i] = 0.0  # 谷底出现买入信号
    return labels

def get_labels_filter_ZZ(dataset, peak_prominence=0.1) -> pd.DataFrame:
    """
    Generates labels for a financial dataset based on zigzag peaks and troughs.

    This function identifies peaks and troughs in the closing prices using the 'find_peaks' 
    function from scipy.signal. It generates buy signals at troughs and sell signals at peaks.

    Args:
        dataset (pd.DataFrame): DataFrame containing financial data with a 'close' column.
        peak_prominence (float, optional): Minimum prominence of peaks and troughs, 
                                           used to filter out insignificant fluctuations. 
                                           Defaults to 0.1.

    Returns:
        pd.DataFrame: The original DataFrame with a new 'labels' column and filtered rows:
                       - 'labels' column: 
                            - 0: Buy
                            - 1: Sell
                       - Rows where 'labels' is 2 (no signal) are removed.
                       - Rows with missing values (NaN) are removed.
    """

    # 找出收盘价的波峰和波谷
    peaks, _ = find_peaks(dataset['close'], prominence=peak_prominence)
    troughs, _ = find_peaks(-dataset['close'], prominence=peak_prominence)
    
    # 使用新的 "之 "字形标签功能计算买入/卖出标签
    labels = calculate_labels_zigzag(peaks, troughs, len(dataset)) 

    # 将计算出的标签作为新的 "标签 "列添加到 DataFrame 中
    dataset['labels'] = labels

    # 删除 "标签 "列值为 2.0（无信号）的行
    dataset = dataset.drop(dataset[dataset.labels == 2.0].index)
    
    # 返回修改后的 DataFrame 
    return dataset

[[删除]]

Maxim Dmitrievsky #:

您可以自行将这些代码添加到交易标记库中。

[fxsaber]

Maxim Dmitrievsky #:

情况变得更糟了。

[[删除]]

fxsaber #:

情况变得更糟了。

是啊，但这是个直道，没有花招。

[Evgeni Gavrilovi]

Maxim Dmitrievsky #:

MT5 是否可以合并模型？比方说，我选择了前 20 位，因此出现了 40 个 onnx 文件。在这种情况下，我该怎么办？

[[删除]]

Evgeni Gavrilovi #:

MT5 是否可以合并模型？比方说，我选择了前 20 名，因此出现了 40 个 onnx 文件。在这种情况下，我该怎么办？

本文不涉及此主题。没有关于组合的规定。

您可以创建任意数量的机器人副本。

[Evgeni Gavrilovi]

当然，我们还可以增加缩水率，因为平滑的线条很容易让人混淆，我觉得那里的缩水率高达 -80%，甚至更高）。

[[删除]]

Evgeni Gavrilovi #:
当然，也可以增加缩水，因为平滑的线条让人困惑，我觉得那里的缩水率高达 -80%，甚至更高）。

我不接受任何改进文章的建议，只接受对现有文章/问题的讨论。

[Evgeni Gavrilovi]

添加了 pandas 模块中的所有基本属性。

https://pandas.pydata.org/docs/reference/window.html

结果，我得到了这张图。马克西姆，感谢你的劳动。