Скачать или смотреть Новые графические паттерны для интеллектуального анализа данных с помощью Python | Алгоритмическа...

Использование перцепционно важных точек в сочетании с неконтролируемым обучением для поиска уникальных графических паттернов для торговли на Python. Мы кластеризуем паттерны ценовой структуры и отбираем наиболее эффективные, используя коэффициент Мартина в качестве целевой функции. Для проверки результатов мы проводим тест Монте-Карло с перестановками. Мы также проводим форвард-тест.

В этом видео подробно объясняется алгоритм перцепционно важных точек.
Алгоритмы построения графических паттернов:    • 3 Must-Know Algorithms for Automating Char...  

Ссылки
Полный код: https://github.com/neurotrader888/Tec...
Коэффициент Мартина: https://www.tangotools.com/ui/ui.htm
K-средние: https://en.wikipedia.org/wiki/K-means...
Силуэт: https://en.wikipedia.org/wiki/Silhoue...)

Цитаты
Чунг, Ф. Л., Фу, Т. Ч., Лук, Р., Нг, В., Гибкое сопоставление паттернов временных рядов на основе
перцептивно важных точек. В: Семинар по обучению на основе временных и пространственных данных
на IJCAI (2001) 1–7

Ки, Э., Лин, Дж., Труппель, В.: Кластеризация подпоследовательностей временных рядов бессмысленна:
Выводы для предыдущих и будущих исследований. Труды ICDM, (2003) 115–122

Фу, Т.К., Чунг, Ф.Л., Лук, Р., Нг, К.М. (2005). Предотвращение обнаружения бессмысленных закономерностей во временных рядах акций путем изменения обнаружения точек, важных для восприятия. В: Ван, Л., Цзинь, И. (ред.) Нечеткие системы и обнаружение знаний. FSKD 2005. Конспект лекций по информатике, том 3613. Springer, Берлин-Гейдельберг.

Питер Руссеув. Силуэты: графическое пособие для интерпретации и валидации кластерного анализа. J. Comput. Appl. Math., 20(1):53–65, ноябрь 1987 г.

Материалы на этом канале НЕ следует рассматривать как финансовые или инвестиционные рекомендации. Результаты прошлых лет не обязательно отражают будущие результаты. Этот контент предназначен исключительно для образовательных и развлекательных целей.