对外汇的依赖性要复杂得多，一个森林需要几十个预测器来描述目标值。森林肯定会找到描述目标值的这种预测因子及其组合的区间，但它们只是被选中的组合，没有任何逻辑或分析。森林将采取什么决定--噪音，或一个真正重要的预测因素--是一个机会问题。只有在事先剔除不合适的预测因素，只留下必要的预测因素进行学习的情况下，Forest for forex才能正常工作。问题是，必须以某种方式确定或找到必要的预测因素，而森林在这方面没有帮助。
unit-variance: Mean relative difference: 3.520041 e-06
Error in check_whitened(out$score, FALSE) : Data must be whitened:
Each variable must have variance 1.
在使用它做外汇时，保持不信任的重要性。虹膜是非常简单的数据，现有数据和类之间有直接的模式。RF只需找到一个最小的 预测器集合，在此基础上可以定义虹膜类别，就可以了。
在我看来，它对市场不起作用，只是因为预测器很烂，如果有正常的预测器，它就会像虹膜一样发挥作用，误差率为95%。
对于虹膜来说，这很简单--如果一个花瓣从某某到某某的长度，那么它就是1级，如果它从某某到某某的宽度，那么它就是2级，等等。射频所做的是找到最符合目标值的预测值区间。
我甚至不需要森林来完成这项任务，一棵树就足以达到90%的精确度。
也就是说，如果某个类别对应于某个预测值 或其组合的范围，并且这些区间不重叠--那么树或森林将100%地解决一切问题。
对外汇的依赖性要复杂得多，一个森林需要几十个预测器来描述目标值。森林肯定会找到描述目标值的这种预测因子及其组合的区间，但它们只是被选中的组合，没有任何逻辑或分析。森林将采取什么决定--噪音，或一个真正重要的预测因素--是一个机会问题。只有在事先剔除不合适的预测因素，只留下必要的预测因素进行学习的情况下，Forest for forex才能正常工作。问题是，必须以某种方式确定或找到必要的预测因素，而森林在这方面没有帮助。
我还没能做到这一点。
大部分时间是在训练表的cov()之后，筛出特征值=0的预测因子（我假设只有特别相关的预测因子才适合）。24小时后，就到了训练ForeCA模型本身的时候了，由于一个错误，它没有训练。
该软件包对预测器的要求非常高，有很多各种各样的限制。我甚至不知道最后一个错误是什么意思，我将进一步研究它。
我以后会完成这个任务。
谷歌说你不需要删除预测器。你可以对它们进行转换，使它们不再相关，那么协方差矩阵将具有全等级，这是ForeCA所要求的。对于美白，包装本身有一些功能（不是马上就能用的，你需要弄清楚），加上下面链接中的理论。
要正确使用ForeCA，你需要先了解和学习如何做。
http://stats.stackexchange.com/questions/23420/is-whitening-always-good
http://courses.media.mit.edu/2010fall/mas622j/whiten.pdf
1）只有事先筛选出不合适的预测因子，只留下需要的预测因子进行训练，外汇森林才能正确地工作。问题是，需要确定或找到正确的预测因素，而森林在这方面没有任何帮助。
2）该软件包对预测器的要求很高，有很多限制。我甚至不知道最后一个错误是什么意思，我将进一步研究它。
1) 我提出了一个我认为足够好的想法，如何做这样的选择，但没有人感兴趣，我自己也无法实现它。
2）我自己做不到。2）你可能只减少数据量，否则你自己会知道）。
我已经发过这个帖子，但没有人反应，我再试试。
我已经发过这个帖子，但没有人响应，我再试一次。 在BP中有这样一个概念，即动态时间扭曲（DTW），在它的帮助下，你可以使价格图表更易读，从而使算法更容易识别。
data_driven_time_warp <- function (y) { cbind( x = cumsum(c(0, abs(diff(y)))), y = y ) } y <- cumsum(rnorm(200))+1000 i <- seq(1,length(y),by=10) op <- par(mfrow=c(2,1), mar=c(.1,.1,.1,.1)) plot(y, type="l", axes = FALSE) abline(v=i, col="grey") lines(y, lwd=3) box() d <- data_driven_time_warp(y) plot(d, type="l", axes=FALSE) abline(v=d[i,1], col="grey") lines(d, lwd=3) box() par(op)一切似乎都很酷，但可悲的是，作为这种转换的结果，我们得到两个坐标x和y的时间（合成） 和值
问题是如何将这个转换返回到一个矢量，以便它不会失去其属性
这就是它的样子--上面是普通的，下面是DTW。
1）我提出了我认为足够好的想法来进行这样的选择，但没有人感兴趣，我自己也无法实施。
2）只减少数据量或你自己知道)
你有什么建议？事实证明，我错过了什么？我可以重复你的想法吗？
问题是 如何在不失去其属性的情况下将这个变换返回到一个正常的矢量上
我又用ForeCA做了一个例子，在档案小表里做了测试和代码，用它来工作。
这一次，我已经得到了它的权利。
你可以使用你自己的模型训练数据表，主要是它必须是矩阵，没有因素（用lm训练，你可以只使用回归）。行的数量应该远远多于预测因子的数量，否则ForeCA会有误差。
我有0和1的目标值，其他的精度将无法正确确定，如果是这样，请在RegressionToClasses01(regr)中为你的情况纠正代码，在回归结果被四舍五入到类的地方。
trainData - 用于训练的数据
trainDataFT - 前端测试的数据
结果。
在原始数据上的lm：在训练数据上有75%的准确性，在新数据上有57%的准确性。
在foreCA的所有14个组件上的lm：训练数据上的75%和新数据上的61%。稍微好一点，但在这种情况下，+4%只是+1个正确的结果，表格相当小 :)
也就是说，如果预测器已经预选好了，那么在ForeCA之后应该不会更差，也许还能增加几个百分点的准确性。
我还添加了一个图表，其中显示了精度对ForeCA组件数量的依赖性。看来，组件的数量越多，结果越准确。允许的最大成分数=预测器的数量。
实验的第二部分是。
我有14个先前选定的预测因子，又增加了14个随机值。现在允许的ForeCA组件的最大数量是28个。
在两种情况下（有和没有foreCA），用所有28个组件对训练数据的预测准确率为76%，在两种情况下对新数据的预测准确率为57%。
我不认为foreCA应对了预测器中的垃圾，我没有看到预期的奇迹。
那又怎样？