Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3106
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Второй или третий раз захожу в эту тему - взглянуть. Ничего не изменилось, только тысячи станиц добавились. Что на первой, что на последней... все едино.
а что должно поменяться, машинное обучение только на статике работает
предсказывать будущее, бред.
Какой метод кластеризации лучше всего подходит для группировки таких объектов?
По сути есть матрица, и важно оценить её похожесть как единое целое. И почему то K-means, думается, будет всё сильно усреднять.
Интересное чтиво
https://quant.stackexchange.com/questions/1004/how-are-cryptography-and-speech-recognition-technology-applied-to-forecasting-fi
Да и вообще , весь этот тег [quant-trading-strategies] очень интересно прошестить
Презент в надежде на рецензию
Какой метод кластеризации лучше всего подходит для группировки таких объектов?
По сути есть матрица, и важно оценить её похожесть как единое целое. И почему то K-means, думается, будет всё сильно усреднять.
Chat-GPT:
"
Если матрицы являются описанием трехмерного объекта, то для их группировки можно применять методы кластеризации, которые учитывают структуру трехмерных данных. Вот несколько подходов, которые могут быть полезны:
Метод кластеризации на основе плотности: DBSCAN (Density-Based Spatial Clustering of Applications with Noise) является хорошим выбором, так как он учитывает плотность данных. Вы можете применить DBSCAN к трехмерным матрицам, используя показатели близости или расстояния между точками в трехмерном пространстве. Этот метод поможет идентифицировать кластеры, которые образуют компактные и плотные области в трехмерном пространстве.
Спектральная кластеризация: Метод спектральной кластеризации может быть полезен для группировки трехмерных матриц. Вы можете применить спектральное преобразование к трехмерным данным и затем использовать методы кластеризации (например, k-средних) для разделения на кластеры. Этот подход позволяет учесть структуру данных и выделить группы, которые схожи в трехмерном пространстве.
Иерархическая кластеризация: Иерархическая кластеризация может быть применена к трехмерным матрицам для построения иерархической структуры кластеров. Вы можете использовать меры сходства или расстояния между матрицами и объединять или разделять кластеры на основе этих мер. Этот подход поможет вам исследовать иерархические отношения между группами трехмерных матриц.
Важно также учитывать особенности вашего конкретного набора данных и выбрать метод кластеризации, который наилучшим образом соответствует вашим целям и требованиям. Экспериментируйте с различными методами и параметрами, чтобы найти наиболее подходящий подход для вашей задачи.
"
Chat-GPT:
Сам же я думал делать свертку матрицы на 5 точек, через усреднение близлежащих точек, и по ним уже искать сходство каким то методом.
И почему то K-means, думается, будет всё сильно усреднять.
Сам же я думал делать свертку матрицы на 5 точек, через усреднение близлежащих точек, и по ним уже искать сходство каким то методом.
...
посвистывает фляга ))
...
посвистывает фляга ))
Сильно - один центройд. а я думал о фактически нескольких с фиксированными координатами... Впрочем, с кем я говорю - любителем готовых решений...
Презент в надежде на рецензию