RのTSrepr(Time Series Representations )パッケージは非常に興味深いので、そちらを参照してください。
"時系列表現法は、4つのグループ（タイプ）に分けられる（Ratanamahatana et al.(2005)):
ノンデータアダプティブ
データアダプティブ
モデルベース
のデータが指示された（切り取られたデータ）。
非データ適応型表現では、変換のパラメータは、時系列の性質にかかわらず、すべての時系列で同じままである。 データ適応型表現では、利用可能なデータに応じて変換のパラメータを変化させる。モデルベース表現のアプローチは、観測された時系列が基本的なモデルに基づいて作成されたものであるという仮定に依存するものである。そのようなモデルの表現としてのパラメータを見つけることが目的です。そして、2つの時系列は、基本モデルの同じパラメータセットによって作成された場合、類似しているとみなされます。データディクテッドアプローチでは、クリッピングなどの生の時系列に基づいて圧縮率を自動的に定義する（Aghabozorgi, Seyed Shirkhorshidi, and Ying Wah (2015))．
非データ適応型の表現方法としては、PAA（Piecewise Aggregate Approximation）、DWT（Discrete Wavelet Transform）、DFT（Discrete Fourier Transform）、DCT（Discrete Cosine Transform）、PIP（Perceptually Important Points）が有名（よく知られています）です。データ適応型の表現としては、SAX（Symbolic Aggregate approXimation）、PLA（Piecewise Linear Approximation）、SVD（Singular Value Decomposition）などがある。モデルベースの表現では、ARMA、平均プロファイル、統計モデル（線形モデルなど）からの推定回帰係数などである。データディクテーションはあまり知られていない表現方法で、このタイプの最も有名な方法はクリッピング（ビットレベル表現）である（Bagnall et al.(2006)).
TSrepr is R package for fast time series representations and dimensionality reduction computations. Z-score normalisation, min-max normalisation, forecasting accuracy measures and other useful functions implemented in C++ (Rcpp) and R. Installation You can install TSrepr directly from CRAN: Or development version from GitHub with: Overview All...
Уже несколько раз вставал вопрос о движении валют в зависимости от времени суток . Все выступают с определенными мнениями , которые они сформировали наблюдая за рынком . Гораздо проще привести данные обработки торговой стратегии в которой покупка осуществляется в начале часа продажа ( закрытие позиции) в конце (начале следующего) часа . Исходя...
複雑で、具体的にどうアプローチしたらいいかわからない......そんな漠然としたものなんです。
看板でやるのは無理があるのか、なんなのか。
どうした
ここで 見つけました。
出典を確認したが、どこにもこの方法の性能が低いという明確な結論はなかった...。
どうした
RのTSrepr(Time Series Representations )パッケージは非常に興味深いので、そちらを参照してください。
"時系列表現法は、4つのグループ（タイプ）に分けられる（Ratanamahatana et al.(2005)):
非データ適応型表現では、変換のパラメータは、時系列の性質にかかわらず、すべての時系列で同じままである。 データ適応型表現では、利用可能なデータに応じて変換のパラメータを変化させる。モデルベース表現のアプローチは、観測された時系列が基本的なモデルに基づいて作成されたものであるという仮定に依存するものである。そのようなモデルの表現としてのパラメータを見つけることが目的です。そして、2つの時系列は、基本モデルの同じパラメータセットによって作成された場合、類似しているとみなされます。データディクテッドアプローチでは、クリッピングなどの生の時系列に基づいて圧縮率を自動的に定義する（Aghabozorgi, Seyed Shirkhorshidi, and Ying Wah (2015))．
非データ適応型の表現方法としては、PAA（Piecewise Aggregate Approximation）、DWT（Discrete Wavelet Transform）、DFT（Discrete Fourier Transform）、DCT（Discrete Cosine Transform）、PIP（Perceptually Important Points）が有名（よく知られています）です。データ適応型の表現としては、SAX（Symbolic Aggregate approXimation）、PLA（Piecewise Linear Approximation）、SVD（Singular Value Decomposition）などがある。モデルベースの表現では、ARMA、平均プロファイル、統計モデル（線形モデルなど）からの推定回帰係数などである。データディクテーションはあまり知られていない表現方法で、このタイプの最も有名な方法はクリッピング（ビットレベル表現）である（Bagnall et al.(2006)).
TSreprパッケージでは、これらの時系列表現方法が実装されている（括弧内は関数名）。
Nondata adaptive。
データ適応型。
モデルベース。
データで指示される。
クラスタリングを含め、非常に興味深い変換を行います。
グッドラック
RのTSrepr(Time Series Representations)パッケージは非常に興味深い。
以前、mt4用のスクリプトを作ってくれと頼んだとき、nnforパッケージのtrained neuronicsと、TSreprのPIP- Perceptually Important Points (repr_pip) がターゲットだったのを覚えていますか?）
ウラジミール！いくつか質問があるのですが、よろしいでしょうか？
1) EURUSDのジグザグ方向の分類で達成できた最大誤差を教えてください。また、その際にノイズフィルターを 使用したのでしょうか？
2) 論文で述べられている予測変数の「離散化」は、学習の質を悪化させるか？
3) 最下層で、ある種のメタ学習を試みたいのですが、そのアイデアの要点は以下の通りです。
n1. データをもとにフォーキャスターを訓練する。
n2.Forestが生成したすべてのルールを取り出し、新しい予測器として提出する。各ルールは予測器なので、500〜1000のルールがある。予測変数は "まばら "に見えるが、何ができるのか？
P.3 予測ルールに新しいモデルを学習させる...
というものです。
1) 予測変数の数を増やす
2) より複雑で深いルール、すなわちより階層的に複雑なルールを得ることができる
3) Forestは、すべてのルール（ツリー）の合計として予測を表示します。ルールの合計ではなく、ルールを個別に考慮すれば、クラスラベルをよりよく分離でき、ルールのユニークな組み合わせなどを見つけることができるのではないかと思います。
問題は、今書いたのはいつものグラディエントブースティングではないのか、ということだ。
4) また、私が使っているsatlや fatlなどの スペクトル指標はどこで手に入るのでしょうか？
ここで 見つけました。
スレッドを読んで、同じ 結論に達しました。また、cssa予測は、徐々に一歩先を予測するという巧妙なもので、本当に効果があるのでしょうか？
bpfとssaの速度比較は？その他、複雑なウェーブレットを取っても、同じレサージュの数値になります。ただ、オプティマイザーにどう落とし込むかは不明で、視覚的なチューニングに適しています。
cssaはCausal SSAと訳される。この方法は2013年の 本に載っています。
OlegとMiklouhaは禁止されたのか)
Olegは解禁されたのに、Miklokhはなぜか解禁されない・・・・・・・・。