It is a Technical Analysis library useful to do feature engineering from financial time series datasets (Open, Close, High, Low, Volume). It is built on Pandas and Numpy. The library has implemented 42 indicators: Volume Money Flow Index (MFI) Accumulation/Distribution Index (ADI) On-Balance Volume (OBV) Chaikin Money Flow (CMF) Force Index...
흥정하는 게 아닙니다. 저에게 가르쳐 달라고 하셨으니 징후를 주시면 가르치고 테스트해 보겠습니다. 좋은 것으로 판명되면 소스 코드를 알려드리겠습니다.
정상적인 징후가 있다면 그 수가 많을 수는 없습니다. 6천 개의 징후가 있는 데이터 세트는 필요 없고 그럴 시간이 없습니다.
그렇지 않으면 다른 일을 할 것입니다.
한 줄에 사인이 없으면 파이썬에서 재현하는 데 더 많은 시간을 소비하게 됩니다. 데이터에 대한 접근 방식의 효과를 테스트한 다음 예측자 계산 코드를 구현할지 여부를 결정하는 것이 더 논리적이죠.
다른 예측자에 비해 매우 "좋은" 예측자가 있다면 서둘러 공개하지 않을 것입니다.) 허용 가능한 결과를 가진 모델을 가져 와서 모델에서 중요도별로 (정의 방법 중 하나에 따라) 20 개의 예측자를 가져올 수 있습니다.
또한 예측자의 양자 세그먼트 인 이진 예측자에 대한 제안 된 방법의 효과에도 관심이 있으며이 기술은 재현 속도가 그렇게 빠르지 않으므로 배열이 바람직하지만 여기서는 많은 양의 예측자가있는 결과에 관심이 있습니다.
흥미로운 것이 있다면 이미 예측자를 계산하는 로직과 그 구현에 시간과 노력을 쏟을 수 있습니다.
기능을 한 줄로 정리하지 않고 파이썬으로 재현하는 데 더 많은 시간을 소비하게 됩니다. 데이터에 대한 접근 방식의 효과를 테스트한 다음 예측자 계산 코드를 구현할지 여부를 결정하는 것이 더 논리적입니다.
다른 예측자에 비해 매우 "좋은" 예측자가 있다면 서두르지 않고 공개적으로 사용할 수 있도록 할 것입니다.) 이렇게 할 수 있습니다. 허용 가능한 결과를 가진 모델을 가져 와서 모델에서 중요도별로 (정의 방법 중 하나에 따라) 20 개의 예측자를 가져옵니다.
게다가 저는 예측자의 양자 세그먼트 인 이진 예측자에 대한 제안 된 방법의 효과에도 관심이 있으며이 기술은 재현 속도가 빠르지 않으므로 배열이 바람직하지만 여기서는 많은 양의 예측자가있는 결과에 관심이 있습니다.
흥미로운 것이 있다면 이미 예측자를 계산하는 로직과 그 구현에 시간과 노력을 쏟을 수 있습니다.
매우 답답합니다. 자신의 특성 계산에 대한 10~20개의 예를 들어 보세요. 기간이 다른 예시를 하나 만들어도 됩니다. 부호를 계산하기 위한 입력 공식에 대해 설명합니다.
대량의 이진 특성은 계산에 포함되지 않습니다.
3천 개 모델의 상위 결과 몇 개를 살펴볼 수 있습니다:
라벨의 샘플링이 다른 경우에도 동일한 '패턴'이 발견되는 것처럼 느껴집니다. 모든 그래프가 비슷합니다. 다른 칩에서는 다른 그림이 있을 것입니다.
또한, 저는 제안된 방법이 예측자의 양자 세그먼트인 이진 예측자에 대한 효과에도 관심이 있습니다,
예를 들어 피시를 16개의 퀀텀으로 나눈 다음 0과 1로 16개의 피시로 나누는 방식인가요?
여기서 1은 기본 칩의 값이 필요한 퀀텀에 있는 경우이고 다른 퀀텀에 있는 경우 0인가요?
예를 들어 피시를 16개의 퀀트로 나눈 다음 0과 1로 16개의 피시로 나눈다는 뜻인가요?
여기서 1은 주요 특징의 값이 필요한 퀀텀에 있는 경우이고, 다른 퀀텀에 있는 경우 0이 되나요?
아이디어는 16개 중에서 잠재력이 있는 몇 개의 세그먼트를 선택하는 것입니다. 코딩에 관해서는 그렇습니다.
Maxim Dmitrievsky #:
점선 왼쪽의 OOS
매우 답답합니다. 자신의 특성 계산의 예를 10~20개 제시하세요. 기간이 다른 것도 가능합니다. 입력은 특성을 계산하기 위한 공식입니다.
많은 양의 이진 기호는 고려하지 않겠습니다.
3,000개의 모델에서 나온 몇 가지 상위 결과를 살펴보겠습니다:
다른 태그 샘플링을 사용해도 동일한 '패턴'이 발견되는 것처럼 느껴집니다. 모든 그래프가 비슷합니다. 다른 칩에서는 다른 그림이 있을 것입니다.
지표를 사용해보십시오-파이썬 용 라이브러리가 있습니다.
OOS(입력 데이터)는 어떻게 형성되나요?
고전적인 방법으로는 종가 기준의 속성 집합입니다.
인디케이터를 사용해 보세요 - 파이썬용 ta 라이브러리가 있습니다.
어느 것이 당신의 것입니까? 그냥 시간을 낭비하십시오.)
아이디어는 16개의 세그먼트 중에서 잠재력이 있는 몇 개의 세그먼트를 선택하는 것입니다. 코딩에 관해서는 네, 맞습니다.
그런 다음 하나의 기능을 16개의 퀀텀으로 나누고 번호를 매긴 다음 카테고리로 표시하면 됩니다. 트리는 각 카테고리/퀀텀(==0 또는 ==1 또는 ==2 ....)에 대해 유사하게 확인합니다. 관심 없는 양자를 하나의 카테고리에 넣을 수도 있습니다.
결과는 1의 1이 될 것입니다. 또는 거의 흥미롭지 않은 양자를 희생하더라도 트리가 분할할 때 가장 좋은 양자로 선택할 수도 있습니다.
장점은 단 하나의 칩, 더 빠른 계산입니다. 파일 크기와 메모리 소비가 크게 줄어듭니다.
15년간의 OOS
이 접근 방식은 호기심을 불러일으키지만 동시에 특성에 민감하게 반응하는 것으로 밝혀졌습니다. 재방문자에게는 그런 방식이 통하지 않습니다.