코드에서 보세요. 방법은 아주 간단합니다. 현재 패턴의 길이를 설정하고, 과거 패턴에서 유사한 패턴을 찾고(예: 패턴 간의 거리로 상관 관계를 사용), 과거 패턴에서 미래 가격의 행동을 예측합니다. 이것은 본질적으로 동일한 클러스터링 또는 RBF 또는 SVM 또는 GRNN입니다. 그것은 모두 현재 패턴으로부터의 거리를 측정하는 방법에 달려 있습니다. GRNN 및 Bayes에 대해 읽어보십시오. 거기에서 예측 이론은 통계적 분포 의 관점에서 설명됩니다. GRNN과 위의 예측 방법에 대해 많이 작성했지만 하나의 간단한 공식으로 귀결됩니다.
예측은 y = SUM y[k] * exp(-d[k]/2s^2) / SUM exp(-d[k]/2s^2)입니다.
여기서 y[k]는 k번째 과거 패턴이고 d[k]는 k번째 패턴에서 현재 패턴까지의 거리입니다. 거리에 가우스 분포가 있는 경우 d[k] = (x - x[k]) ^ 2입니다. 임의(수퍼 가우스) 분포의 경우 d[k] = | x - x[k] | ^ p, 가장 가까운 이웃에 더 많은 가중치를 부여할 것인지(큰 p) 또는 거의 모든 이웃에 동일한 가중치(작은 p)를 사회주의에서와 같이 부여할 것인지에 따라 p를 선택합니다. p = 0이면 완전한 사회주의가 있습니다.
가장 가까운 이웃과 GRNN을 알게 된 후에는 다음과 같은 분명한 질문이 떠오를 것입니다. 그리고 현재 패턴과 과거 패턴 사이의 거리를 측정하는 방법 . 시간 축에 따른 왜곡을 고려하면. 이곳은 개가 묻힌 곳입니다.
거래, 자동 거래 시스템 및 거래 전략 테스트에 관한 포럼
FOREX - 동향, 예측 및 결과 2015
-알렉스- , 2015.06.21 12:29
코드에서 보세요. 방법은 아주 간단합니다. 현재 패턴의 길이를 설정하고, 과거 패턴에서 유사한 패턴을 찾고(예: 패턴 간의 거리로 상관 관계를 사용), 과거 패턴에서 미래 가격의 행동을 예측합니다. 이것은 본질적으로 동일한 클러스터링 또는 RBF 또는 SVM 또는 GRNN입니다. 그것은 모두 현재 패턴으로부터의 거리를 측정하는 방법에 달려 있습니다. GRNN 및 Bayes에 대해 읽어보십시오. 거기에서 예측 이론은 통계적 분포 의 관점에서 설명됩니다. GRNN과 위의 예측 방법에 대해 많이 작성했지만 하나의 간단한 공식으로 귀결됩니다.
예측은 y = SUM y[k] * exp(-d[k]/2s^2) / SUM exp(-d[k]/2s^2)입니다.
여기서 y[k]는 k번째 과거 패턴이고 d[k]는 k번째 패턴에서 현재 패턴까지의 거리입니다. 거리에 가우스 분포가 있는 경우 d[k] = (x - x[k]) ^ 2입니다. 임의(수퍼 가우스) 분포의 경우 d[k] = | x - x[k] | ^ p, 가장 가까운 이웃에 더 많은 가중치를 부여할 것인지(큰 p) 또는 거의 모든 이웃에 동일한 가중치(작은 p)를 사회주의에서와 같이 부여할 것인지에 따라 p를 선택합니다. p = 0이면 완전한 사회주의가 있습니다.
가장 가까운 이웃과 GRNN을 알게 된 후에는 다음과 같은 분명한 질문이 떠오를 것입니다. 그리고 현재 패턴과 과거 패턴 사이의 거리를 측정하는 방법 . 시간 축에 따른 왜곡을 고려하면. 이곳은 개가 묻힌 곳입니다.
아마도 이것은 도움이 될 것입니다 https://en.wikipedia.org/wiki/Hellinger_distance
https://dl.acm.org/citation.cfm?id=1288866