今天我们来使用backtrader试试另一个量化投资策略：KDJ策略，KDJ是最常用的指标之一，其中文名叫“随机指标”。它通过统计学原理，识别N个交易日内最高价、最低价、最新收盘价三者之间的比例关系来计算随机值（RSV），然后再根据加权移动平均线(EMA)的方法来计算K值、D值、J值。具体计算方法如下：RSV = （收盘价-N周期最低价）/（N周期最高价-N周期最低价）*100K值 = RSV的N
转载
2024-02-05 22:13:00
16阅读
Python开发团队将在2020年1月1日停止对Python2.7的技术支持，但python2的库仍然比较强大（在 pip 官方下载源 pypi 搜索 Python2.7 和 Python3.5 的第三方工具包数可以发现，Python2.7版本对应的第三方工具类目数量是 28523,Python3.5 版本的数量是 12457，这两个版本在第三方工具包支持数量差距相当大 ），因此这里做区别的梳理与
转载
2024-10-22 11:34:04
32阅读
机器/深度学习预测算法指标（rmse mae bias corr acc）计算。
原创
2021-09-16 11:46:20
10000+阅读
点赞
相对强弱指数RSI是目前流行最广，使用最多的技术指标之一，他是技术分析大师威尔德创造的。RSI之所以流行最广，是因为他不但可以应用在股票市场，在期货和外汇市场也有较好的应用。RSI是以一特定时期内股价的变动情况来推测价格未来的变动方向。简单的说，就是一段时间，股价涨幅和跌幅的比值，下图是公式。以上主要是理论，如果你不会写代码，也不需要过多了解，知道有那么回事就可以了。实际的应用中，一般我们用5日、
转载
2023-11-21 14:58:52
38阅读
# 用Python计算RMSE评价指标的指南
RMSE (Root Mean Square Error) 是一种常用的评价指标，常用于回归模型中，以衡量模型预测值与真实值之间的差距。在这篇文章中，我们将学习如何用Python来计算RMSE指标。
## 整体流程
在学习如何计算RMSE之前，我们可以将整个流程分为几个步骤。以下是一张表格，展示了实现RMSE计算的步骤：
| 步骤
评估模型不同的应用有着不同的目标，不同的评价指标模型评价指标准确率准确率越高，模型不一定越好准确率是常见的一种评估模型，但是准确率越高模型不一定越好。举个例子假设，在1000个样本中，有999个正样本，1个负样本（不均衡数据集） 如果全部预测正样本，就可以得到准确率99.9%！这样的场景有：信用卡欺诈检测，离职员工检测等。有些任务更关心的是某个类的准确率，而非整体的准确率。比如预测病人是否患癌症，
[指标应用]乖离率(BIAS)应用详解 乖离率(BIAS)是描述股价与股价的移动平均线的相距的远近程度。BIAS指的是相对距离。1．BIAS的计算公式及参数。N日乖离率=（当日收盘价-N日移动平均价）/N日移动平均价式中：分子为股价(收盘价)与移动平均价的绝对距离，可正可负，除以分母后，就是相对距离。移动平均价为1元时相差0.1元，与移动平均价为10元时相差0．1元是很不相同的，所以在
转载
2024-05-02 16:05:40
68阅读
机器学习中的模型选择和评估1. 介绍2. 模型拟合效果2.1欠拟合与过拟合表现方式2.2 避免欠拟合与过拟合的方法3.实例分析3.1鸢尾花数据集3.2 对鸢尾花数据进行聚类 1. 介绍在机器学习系统中，如何训练出更好的模型、如何判断模型的效果，以及模型是否过拟合，对模型的最终使用有重要的意义。2. 模型拟合效果在机器学习模型的训练过程中，可能会出现3种情况:模型欠拟合、模型正常拟合与模型过拟合。
转载
2023-10-11 06:38:43
154阅读
1、python的安装首先，去官网下载python安装包：https://www.python.org/ 根据自己的环境下载相应的大包，此处下载的时Windows 64bit的安装包。没想到，一开始就被上了一课，哈哈，系统太老，用不了新玩意（得重新下载一个较低版本，能安装的请忽略）此处安装个3.8.8的版本，勾选“Add Python 3.8 to PATH”该项，添加到环境变量中（也可
转载
2023-12-19 14:05:52
86阅读
损失和优化在深度神经网络中，损失用来度量预测值与真实值之间的差距，也是衡量模型泛化能力的重要指标。预测值与真实值之间的差距越大，损失值就越高，此时就需要不断对模型中的参数进行优化来减少损失；同样的，预测值和真实值之间的差距越小，则模型预测越准，泛化能力越好。对模型进行优化的最终目的是，尽可能在不过拟合的情况下降低损失值。1. 损失函数1）均方误差函数均方误差（Mean Square Error，M
转载
2024-02-05 07:44:28
204阅读
目录回归预测之Lasso算法入门什么是Lasso算法？Lasso算法的原理使用Lasso算法进行回归预测总结示例代码：使用Lasso算法进行房价预测回归预测之Lasso算法入门回归分析是统计学中的一种常用方法，用于建立输入特征和输出目标之间的关系模型。在回归预测中，Lasso算法是一种被广泛应用的方法，用于特征选择和模型参数的稀疏化。本篇文章将介绍Lasso算法的基本原理和使用方法。什么是Lass
转载
2024-09-24 13:59:44
100阅读
# 实现RMSE的Python算法
## 简介
RMSE（均方根误差）是一种常用的评估回归模型性能的指标。它用于衡量预测值与真实值之间的差异程度，越小表示模型的拟合效果越好。在本文中，我将向你介绍如何使用Python实现RMSE算法，并逐步讲解每个步骤。
## 实现流程
下面是实现RMSE的Python算法的流程图：
```mermaid
stateDiagram
[*] -->
原创
2023-10-20 17:22:03
118阅读
SSE(和方差、误差平方和)：The sum of squares due to error MSE(均方差、方差)：Mean squared errorRMSE(均方根、标准差)：Root mean squared errorR-square(确定系数)：Coefficient of determ
转载
2018-08-13 11:51:00
636阅读
# Python中的偏差和MAE
## 引言
在机器学习领域中，我们经常需要评估模型的性能。其中一个常用的指标是平均绝对误差（Mean Absolute Error，MAE），它可以帮助我们了解模型的预测结果与实际观测值之间的差异程度。Python是一种功能强大且易于学习的编程语言，提供了丰富的库和工具，可用于计算偏差和MAE。本文将介绍如何使用Python计算偏差和MAE，并提供相应的代码示
原创
2023-12-09 11:43:38
146阅读
SSE(和方差、误差平方和)：The sum of squares due to errorMSE(均方差、方差)：Mean squared errorRMSE(均方根、标准差)：Root mean squared errorR-square(确定系数)：Coefficient of determi
转载
2018-09-02 21:14:00
403阅读
2评论
目录1线性回归1.1简单线性回归1.2 多元线性回归的正规方程解1.3 使用梯度下降求解多元线性回归1.4 sklearn中的线性回归模型 1线性回归1.1简单线性回归
在简单线性回归中，输入x只有一个特征，通过调整a和b的参数值，来拟合从x到y的线性关系。下图为进行拟合所需要优化的目标，也即是MES（Mean Squared Error)，只不过省略了平均的部分（除以m）。
对
转载
2023-10-11 09:35:54
240阅读
# 理解RMSE及其在Python中的实现
均方根误差（Root Mean Square Error，RMSE）是一种常见的回归分析误差度量，主要用于评估预测模型的性能，可以帮助我们量化模型的预测值与真实值之间的差异。本文将介绍什么是RMSE，并用Python代码示例演示其计算方法。
## 什么是RMSE？
RMSE是实际值与预测值之间差异的平方和的均值开平方。其公式表示为：
\[ \te
RMSE计算是评估回归模型精确性的一个重要指标。在使用Python进行数据分析和机器学习时，了解如何计算均方根误差（RMSE）显得尤为重要。本博文将详细介绍RMSE的计算，包括相关的技术原理、架构解析、源码分析及性能优化等内容。
### 背景描述
在数据科学中，RMSE（Root Mean Square Error）是用于衡量预测值与实际值之间差异的一种常用标准。它的计算涉及多个步骤，以下是关键
# RMSE（均方根误差）及其Python实现
## 引言
在机器学习和统计学中，模型的评估是一个至关重要的环节。均方根误差（RMSE，Root Mean Square Error）是用来评估模型预测准确性的一种常用指标。本文将对RMSE的定义、计算过程以及Python实现进行详细说明，帮助读者更好地理解和应用这一指标。
## RMSE的定义
RMSE是误差的平方根平均值，公式如下：
$
# 使用 Python 计算均方根误差 (RMSE)
在机器学习和数据分析中，均方根误差 (Root Mean Square Error, RMSE) 是一种常用的评估指标，用于衡量模型预测值与实际值之间的差异。本文将指导大家如何在 Python 中使用 RMSE，适合刚入行的初学者。
## 流程
下面是调用 RMSE 的基本流程，可以帮助你理清思路。
```markdown
| 步骤
