Artificial intelligence 噪声时间序列数据斜率的计算

我有一个过程，它使用来自外汇市场的多个实时价格数据源，并生成2个时间序列数据流作为其输出。输出有噪声（即不像sin或cos那样平滑），两个流的值都在0和100之间

---

在机器学习或人工智能中，有没有一种方法可以帮助我识别一个信号是陡正信号，另一个是陡负信号？我曾经玩弄过简单的移动平均线和指数移动平均线来稍微平滑线条，但是这样我丢失了太多的信息。

你可以应用超智能的机器学习

特征：最后n个数据点的值。 标签：-1减少+1增加

现在，您只需要一些带标签的样品，这将给出如下表格（此处n=5）：

现在，学习一些现成的机器学习库（比如WEKA），并在这方面培训一名分类师。根据算法，您还可以获得结果确定性的度量。您需要多少标记的训练样本很难预测。一开始尝试100，但也可能超过1000。这些功能也有很大的潜力。如果不使用绝对值而使用差异，可能效果会更好

已标记的训练数据可以手动标记。但对于市场预测来说，通常可以根据历史数据自动进行预测

应该有很多关于股票预测的文献。人们已经（现在仍然）在这一领域进行了多年的研究。以上当然是非常原始的

---

另一种方法是通过数据拟合曲线，并取其导数。你对数据了解得越多，这种方法就越有效。例如，如果您对产生噪声的概率模型有很好的了解，您可以推导出“最佳”拟合（max likelyhood等）。如果你对你的潜在信号（你试图测量的信号）有所了解，这也会有帮助（它是线性的？二次的？libschiz cont.？有界的？，…）

---

这种方法需要特定于问题的知识，而这些知识可能不可用，并且需要大量的数学知识。但是，这可能是非常有价值的，因为你不会像机器学习那样陷入一个黑匣子，而是拥有一个你能理解并能分析的数学模型。

你可以应用超级智慧的机器学习

特征：最后n个数据点的值。 标签：-1减少+1增加

现在，您只需要一些带标签的样品，这将给出如下表格（此处n=5）：

现在，学习一些现成的机器学习库（比如WEKA），并在这方面培训一名分类师。根据算法，您还可以获得结果确定性的度量。您需要多少标记的训练样本很难预测。一开始尝试100，但也可能超过1000。这些功能也有很大的潜力。如果不使用绝对值而使用差异，可能效果会更好

已标记的训练数据可以手动标记。但对于市场预测来说，通常可以根据历史数据自动进行预测

应该有很多关于股票预测的文献。人们已经（现在仍然）在这一领域进行了多年的研究。以上当然是非常原始的

---

另一种方法是通过数据拟合曲线，并取其导数。你对数据了解得越多，这种方法就越有效。例如，如果您对产生噪声的概率模型有很好的了解，您可以推导出“最佳”拟合（max likelyhood等）。如果你对你的潜在信号（你试图测量的信号）有所了解，这也会有帮助（它是线性的？二次的？libschiz cont.？有界的？，…）

这种方法需要特定于问题的知识，而这些知识可能不可用，并且需要大量的数学知识。但这可能是非常有价值的，因为你不会像机器学习那样，最终得到一个黑匣子，而是一个你能理解并能分析的数学模型。

听起来不错，但你还应该考虑以下几点：

• 首先，据我了解，有两个以上的标签：
  • 信号1向上；信号2关闭
  • 信号2上升；信号1关闭
  • 等
• 其次，手动标记数据将非常繁琐，因为您很可能需要大量数据来训练、测试和验证您的模型。我可以帮你完成这项任务

• 即使你接受了割草机的建议，我也会在训练前稍微整理一下数据

• 将每个输入变量与另一个变量和输出进行对比，以了解变量如何影响结果。如果实际上无法进行成对绘图，请尝试PCA或其他降维技术

听起来不错，但您还应考虑以下几点：

• 首先，据我了解，有两个以上的标签：
  • 信号1向上；信号2关闭
  • 信号2上升；信号1关闭
  • 等
• 其次，手动标记数据将非常繁琐，因为您很可能需要大量数据来训练、测试和验证您的模型。我可以帮你完成这项任务

• 即使你接受了割草机的建议，我也会在训练前稍微整理一下数据

• 将每个输入变量与另一个变量和输出进行对比，以了解变量如何影响结果。如果实际上无法进行成对绘图，请尝试PCA或其他降维技术

---

如何确定原始数据中的一个是陡然正的，另一个是陡然负的。然后，仅当结果在该状态下持续足够长的时间或足够大的分形时，才将其标记为有效

# t-4, t-3, t-2, t-1, t, label
#-----------------------------
54, 43, 98, 1, 45, +1
21, 12,  5, 98, 4, +1
 6, 78, 45, 65, 37 -1
...