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
When modeling any phenomena by including explanatory variables that highly relates the variable of interest, one question arises: which of the auxiliary variables have a higher influence on the response? I am not writing about significance testing or something like this. I am just thinking like a researcher who wants to know the ranking of...
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。
どうやるの?
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。
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。
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
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
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)。
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。
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?
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