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 239

[mytarmailS]

アンドレイ・ディク
キャンドルは、[-1.0; 1.0]の範囲にある2つの数字で表現してみてください。これらは、HとLに対するOとCの位置関係です。

あなたの例では、次のようになります。

1.[-0.8; 0.8]

2.[-0.2; 0.2]

3.[-0.9; -0.1]

どうすればいいのか

[Andrey Dik]

mytarmailS:
どうやるの？

高さHを1、Lを-1として、HとLを基準にしてOとCをそれぞれ表現する。

これはキャンドルの大きさに関係なく、形状を明確に表現しています。

[mytarmailS]

アンドレイ・ディク
高さHを1、Lを-1として、HとLを基準にOとCをそれぞれ表現する。

これは、キャンドルの大きさに関係なく、形状を明確に表現しています。

ろうそくのボラティリティは、ここで考慮されていない、すべての計算は、ろうそくの内側に行き、それがろうそくのどのような種類は、ギャップキャンドルや小さなdojiq MOは表示されません。

一番正常なのは％刻みだと思うのですが、正しくカウントできていません。

[mytarmailS]

ローソクのクラスタリングについてのセレクションがあるが、どのように標準化したかは明らかにされていないし、明らかにされているものも、その結果には満足していない。

https://www.elitetrader.com/et/threads/statistical-analysis-of-candlesticks-patterns.285918/

http://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-1/

http://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-2/

http://intelligenttradingtech.blogspot.com/2010/06/quantitative-candlestick-pattern.html

[Andrey Dik]

mytarmailS:

ろうそくのボラティリティは、ここで考慮されていない、すべての計算は、ろうそくの内側に行き、それがろうそくのどのような種類は、ギャップキャンドルや小さなdojiq MOは表示されません。

一番正常なのは％刻みだと思うのですが、うまくいきません

揮発性を考慮する必要がないことです。そして、ギャップは取り除く必要があります（ギャップの距離でろうそくをシフトする）。

[Youri Tarshecki]

アンドレイ・ディク
ボラティリティは考慮すべきではないが、ギャップは取り除くべきである（ローソク足はギャップの距離だけずらす）。

逆に言えば、ギャップは覚えるべきものである--と考える。どうせ格差は統計的に解消されるのだから。一度、ギャップの指標を探したのですが見つからず、フラクタルを使って自分でトラップを作りました。でも、やっぱりいいインジケーターが必要なんです。

[Mihail Marchukajtes]

みんな、CandleCodeというインジケーターがあるんだけど、これは全く同じローソク足で、スプレッドも考慮して同じコードにエンコードしているんだ。なんで自転車作るんだよ、意味わかんねー:-)

[Dr. Trader]

ヴィザード_。
レッスンは終了です)))

ありがとうございます。とても簡単なことのようで、信じられないのですが、確認してみます。

また、符号が別の予測因子であることも不思議です。私なら、ローソク足の大きさが下ならマイナスにするだけです。私もやってみようかな。

[mytarmailS]

Dr.トレーダー

ありがとうございます。とても簡単なことのようで、信じられないのですが、確認してみます。

また、符号が別の予測因子であることも不思議です。私なら、ローソク足の大きさが下ならマイナスにするだけです。私もやってみようかな。

私には理解できませんが。

ターゲットはどのように作るのですか？

配合の由来は？

[СанСаныч Фоменко]

私は、ターゲット変数への影響を考慮して予測因子を選択しなければ、他のすべては無意味であると考え続けています。これがまさに最初の一歩 です。ノイズ予測因子を除去して再トレーニングされない モデルを作る可能性が高まるか、あるいはノイズ予測因子が残ってしまい、必然的に再トレーニングが行われるかのどちらかです。また、再トレーニングされたモデルの将来の振る舞いは、過去の振る舞いとは全く関係がないので、そのような再トレーニングされたモデルは必要ない。

予測因子の重要性を判断するためのもう一つの 興味深いアプローチ。予測変数の 重要度を決定するための複数のアルゴリズムは使用されていません。

以下は、この投稿の実行 コードです。

> n <- 10000
>
> x1 <- runif(n)
> x2 <- runif(n)
> y <- -500 * x1 + 50 * x2 + rnorm(n)
>
> model <- lm(y ~ 0 + x1 + x2)
>

 

 

> # 1a. Standardized betas
> summary(model)$coe[,2]
        x1         x2
0.02599082 0.02602010
> betas <- model$coefficients
> betas
        x1         x2
-500.00627   50.00839

 

 

> imp <- abs(betas)/sd.betas
Ошибка: объект 'sd.betas' не найден
> sd.betas <- summary(model)$coe[,2]
> betas <- model$coefficients
> imp <- abs(betas)/sd.betas
> imp <- imp/sum(imp)
> imp
       x1        x2
0.9091711 0.0908289

 

 

> imp1 <- abs(model$coefficients[1] * sd(x1)/sd(y))
> imp2 <- abs(model$coefficients[2] * sd(x2)/sd(y))
>
> imp1 / (imp1 + imp2)
       x1
0.9095839

 

 

> imp2 / (imp1 + imp2)
       x2
0.0904161

 

 

> # 2. Standardized variables
> model2 <- lm(I(scale(y)) ~ 0 + I(scale(x1)) + I(scale(x2)))
> summary(model2)

Call:
lm(formula = I(scale(y)) ~ 0 + I(scale(x1)) + I(scale(x2)))

Residuals:
       Min         1Q     Median         3Q        Max
-0.0236475 -0.0046199  0.0000215  0.0046571  0.0243383

Coefficients:
               Estimate Std. Error t value Pr(>|t|)    
I(scale(x1)) -9.932e-01  6.876e-05  -14446   <2e-16 ***
I(scale(x2))  9.873e-02  6.876e-05    1436   <2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.006874 on 9998 degrees of freedom
Multiple R-squared:      1,     Adjusted R-squared:      1
F-statistic: 1.058e+08 on 2 and 9998 DF,  p-value: < 2.2e-16

 

 

> abs(model2$coefficients)/sum(abs(model2$coefficients))
I(scale(x1)) I(scale(x2))
  0.90958355   0.09041645