トレーディングにおける機械学習：理論、モデル、実践、アルゴトレーディング - ページ 2168

[Forester]

アレクセイ・ニコラエフ：

フーリエは周期的な信号だけに適して いると、あちこちで書かれているようです。あるいはそれに近い、狭い範囲のものである。

ところで、トレーディングのMOでは、Walsh分解の方が適しているように思うのですが、なぜかフォーラムで言及されているのを見たことがありません。

単なる周期的なものではなく、常に同じ周期（ある振動が始まってから次の振動が始まるまでの時間）で、常に同じ形をして いるものです。そして、引用文では期間も曲線の形も常に変化している。したがって、市場での信号変換は適切ではありません。
私も大学で電子工学を専攻していましたので、よくわかります。

[Maxim Dmitrievsky]

イゴール・マカヌ：

やった！

今終わったよ～、正解だったね。

一人のバカが妄想で煽ってるんだから諦めるしかない ))))

このタイプのフィルターと10個のトレードが表示されました。テールから平均まで（フィルターライン）とか

例によって、トレンドが始まるとアカウント全体でマイナスになるのですが

そして、どのスレッドにも毎回このような切り札が投稿され、皆さんは1年以上10ページにわたって元気に議論しています))

[Renat Akhtyamov]

マキシム・ドミトリエフスキー：

このような流れで、フィルターと10回のトレードが表示されました。テールから平均へ（フィルターライン）とか

例によって、トレンドが始まるとアカウント全体でマイナスになるんです。

で、どのスレッドでも毎回この切り札を投稿して、みんなで楽しく10ページ以上議論して、1年以上経っている ))

大丈夫

今度は同じものをマシュカで表示し、比較します。

問題児）

[Igor Makanu]

アレクセイ・ニコラエフ：

フーリエは周期的な信号だけに適していると、あちこちで書かれているようです。あるいはそれに近い、狭い範囲のものである。

基底関数はサインであり、変換は各サインのオフセット（位相）と周期を決定するだけである

であり，これらすべての正弦の交点（x軸）から，信号の値をとる点（y軸）が得られる。

UPD: こちらも良い解説です。https://habr.com/ru/post/196374/。

この記事で一番価値があるのは、手描きの絵です ;)

[Maxim Dmitrievsky]

Renat Akhtyamov：

大丈夫

では、同じことをクルマで実演して比べてみてください。

いじめっ子）

他にも似たようなマッシュがたくさんあります。何の違いもない。

例えばHMAとか

マシュカを目指すなら、せめてボラティリティとか正規化してくれ。

あと、グレイルって 書かないでね。ないのです。

[Renat Akhtyamov]

マキシム・ドミトリエフスキー：

似たようなマッシュアップは他にもたくさんあります。何の違いもない。

例えば、HMAとか

MA狙うならせめてボラティリティとかで正規化しろよ。

あと、グレイルって書かないでね。そこに聖杯はない。

言葉だけでなく、スクリーンショットが必要だ、マックス。

でたらめを言ってはいけない。

[iwelimorn]

必要であれば、2つのクラスタの特徴量分布の曲線の交点の下の相対的な面積を計算する小さなスクリプトを紹介します。

cl_1 = samples.drop(samples[samples["targets"] == 0].index).reset_index(drop=True)[samples.columns[1]]
cl_2 = samples.drop(samples[samples["targets"] == 1].index).reset_index(drop=True)[samples.columns[1]]

min_x = min(cl_1.min(),cl_2.min())
max_x = max(cl_1.max(),cl_2.max())
x = np.arange(min_x,max_x,(max_x-min_x)/100)
hist_1 = np.histogram(cl_1,x)
hist_2 = np.histogram(cl_2,x)
plt.hist(cl_1,x, histtype= 'step',label='cl_1')
plt.hist(cl_2,x, histtype= 'step',label='cl_2')

area1 = np.sum(hist_1[0])/sum(hist_1[0])
area2 = np.sum(hist_2[0])/sum(hist_2[0])
ymax = np.maximum(hist_1[0],hist_2[0])
ymin = np.minimum(hist_1[0],hist_2[0])

area_overlap = sum(ymin/sum(ymax))
print(area1, area2, area_overlap)

間引き方法、ターゲット分析、特徴、その他誰が見てもわかるようなものを選ぶには良い指標だと思います。

area_overlapは写真では黄色です。

[Maxim Dmitrievsky]

Renat Akhtyamov：

言葉だけでなく、スクリーンショットを見せてくれ、マックス。

袋を振る必要はないでしょう？

何を見たいのか？ ここに私の記事からMOの本当のTCを紹介します。トレーニング-1ヶ月のみ、その後2年間一般化。彼らは本物であり、それは機能します。

[Maxim Dmitrievsky]

welimorn:

必要であれば、2つのクラスタに対する特徴量の分布の曲線の交点の下の相対的な面積を計算する小さなスクリプトを紹介します。

間引き方法、ターゲット分析、特徴、その他誰が見てもわかるようなものを選ぶには良い指標だと思います。

area_overlapは写真では黄色です。

工夫しているんですね ) 月曜日から見てみようと思います。

[Uladzimir Izerski]

平均値からの乖離が大きくなることは誰でも知っているが、それがいつ起こるかは誰にもわからない。