mi = mutual_info_regression(full_pr[full_pr.columns[1:]].iloc[0:rand], full_pr[full_pr.columns[0]].iloc[0:rand]) сравниваем фичи и цены в момент предсказания
mi = mutual_info_regression(full_pr[full_pr.columns[1:]].iloc[0:rand*2], full_pr[full_pr.columns[0]].iloc[0:rand*2]) сравниваем на глубину предсказания вперед + назад
mi = mutual_info_regression(full_pr[full_pr.columns[1:]].iloc[rand:rand*2], full_pr[full_pr.columns[0]].iloc[rand:rand*2]) только вперед
mi = mutual_info_regression(full_pr.iloc[0:rand], full_pr[full_pr.columns[0]].iloc[rand:rand*2])текущие цены и фичи в момент предсказания VS будущие цены
那么在 100 条预测线中,该对哪一条进行预测呢?平均是最明显的解决方案。
好吧,比方说,50 次预测上 50 次预测下,取平均值,得到一个水平预测,然后呢?)
就是这样。你有什么选择?
那么在 100 条预测线中,该对哪一条进行预测呢?
信息 "标记的一种变体,即笔测试:
与我的文章一样,我们将一组符号和标签标记起来,但要考虑到开仓前符号集的 n 个字符串与未来价格的 n 个字符串之间的互信息(回归类型)。
如果互信息低于阈值,我们就标记为不交易。
然后从 2019 年开始,对信号和交易/不交易两个模型进行训练
结果
这种方法收效甚微
没有看到建议)
合乎逻辑的做法是尝试其他方案:
所有选项都不产生任何结果
重新看一下我的帖子,最后一张照片。
前 25 条只有 2 个变体。2 个错误就是一个小错误。
而且这只是成千上万个图表中的一个变体,碰巧吸引了你的眼球。其他图表的情况会有所不同。您需要制定一个策略(您还没有制定),并观察新数据的平衡线(马克西姆将他的想法进行到底,一切顿时变得清晰)。