셀 신호 측정에서 응답의 존재를 측정하고 있습니다. 내가 한 것은 먼저 시계열 데이터에 평활 알고리즘 (Hanning)을 적용 한 다음 피크를 감지했습니다. 내가 얻는 것은 이것입니다 :
응답 감지를 "예를 들어 연속 하락이 증가하는 것"보다 좀 더 객관적으로 만들고 싶다면 최선의 방법은 무엇입니까? 선형 회귀에 의해 결정된 기준선으로부터 피크의 거리를 얻는 것입니까?
(나는 파이썬 코더이며 통계를 거의 이해하지 못합니다)
감사합니다
셀 신호 측정에서 응답의 존재를 측정하고 있습니다. 내가 한 것은 먼저 시계열 데이터에 평활 알고리즘 (Hanning)을 적용 한 다음 피크를 감지했습니다. 내가 얻는 것은 이것입니다 :
응답 감지를 "예를 들어 연속 하락이 증가하는 것"보다 좀 더 객관적으로 만들고 싶다면 최선의 방법은 무엇입니까? 선형 회귀에 의해 결정된 기준선으로부터 피크의 거리를 얻는 것입니까?
(나는 파이썬 코더이며 통계를 거의 이해하지 못합니다)
감사합니다
답변:
따라서 10 월 25 일의 의견에서 두 가지 주요 기능, 즉 초기 응답 감소와 증가 된 응답주기 및 후속 감쇠의 알고리즘을 찾아서 특성화하는 데 관심이 있다고합니다. 데이터가 불연속 시간 간격으로 관찰된다고 가정합니다.
여기 내가 시도 할 것입니다 :
이 시점에서 시간 값이 연결됩니다
ㅏ. 초기 붕괴의 시작
비. 상승세의 시작
씨. 두 번째 붕괴의 시작
그런 다음 분석적으로 원하는 것을 수행하여 변경 사항을 평가할 수 있습니다.
여러 계열에서이 방법을 적용 할 때 업 스윙에서 일반적인 크기 변화는 무엇입니까? 이 업 스윙의 분포는 어디에, 얼마나 크며, 얼마나 오래 걸리는가? 이러한 통계를 알면 특정 업 스윙이 발생 시간, 크기 및 지속 시간과 관련하여 허용 범위 내에있는 것으로보다 잘 특성화 할 수 있습니다. 내가 이해 한 열쇠는 이러한 변화가 어디서 발생 하는지 쉽게 식별 하는 것입니다. 내가 설명한 나머지 부분은 간단하게 계산할 수 있습니다.
여기 몇 가지 아이디어가 있지만 작동 할 수있는 머리 꼭대기에서 벗어납니다 ...
미분 : 배열을 가져 와서 요소를 서로 빼서 더 적은 점수의 배열을 얻으면 첫 번째 미분입니다. 이제 부드럽게하고 부호 변경을 찾으면 범프가 감지 될 수 있습니다.
이동 평균 : 아마도 2 개의 지연 (지수 또는 창) 이동 평균을 사용하면 작은 범프를 무시하면서 큰 범프가 나타날 수 있습니다. 기본적으로 작은 창 이동 평균의 너비는 무시하려는 범프의 너비보다 커야합니다. 범프를 감지하기 위해 더 넓은 EMA는 더 넓어야하지만 너무 넓지 않아야합니다.
지연 시간 (윈도우 / 2)을 건너 뺄 때를 찾으면 범프의 예상 위치입니다. http://www.stockopedia.com/content/trading-the-golden-cross-does-it-really-work-69694/
선형 모델 : 몇 개의 작은 범프 너비의 충분한 너비의 일련의 선형 모델을 수행하십시오. 이제 X 변수에서 선형 회귀를 생성하는 데이터 세트를 통해 루프합니다. X의 계수를보고 큰 부호 변화가 발생한 위치를 확인하십시오. 그것은 큰 충격이다.
위는 추측에 불과하며 아마도 더 나은 방법이있을 것입니다.