分类
给新手的加密货币投资指南

书中详细地介绍了一个 常用技术指标介绍

刘看山 知乎指南 知乎协议 知乎隐私保护指引
应用 工作 申请开通知乎机构号
侵权举报 网上有害信息举报专区
京 ICP 证 110745 号
京 ICP 备 13052560 号 - 1
京公网安备 11010802020088 号
京网文[2019]4928-541号
药品医疗器械网络信息服务备案
(京)网药械信息备字(2022)第00334号 服务热线:400-919-0001 违法和不良信息举报:010-82716601 举报邮箱:[email protected]
儿童色情信息举报专区
互联网算法推荐举报专区
养老诈骗举报专区
MCN 举报专区
信息安全漏洞反馈专区
内容从业人员违法违规行为举报
证照中心 Investor Relations
联系我们 © 2022 知乎
北京智者天下科技有限公司版权所有

参透MACD指标(pdf+txt+epub+azw3+mobi电子书在线阅读下载)

本书以MACD指标的用法为核心,既兼顾基础理论,又精讲实战案例,*后结合多种技术分析方法诠释指标的综合运用之道。 全书内容共分10章。第1章首先阐述股市的波动原理,介绍MACD指标的调用方法、基础理论、交易策略等;第2∽6章为全书核心,以大量案例深入剖析MACD指标的各种实战用法,包括指标原理、研判核心、波段买卖点、柱线交易法等;第7∽10章为综合性内容,结合量价、均线、KDJ等指标细致讲解技术分析的进阶运用方法,并全面诠释捕获牛股的MACD指标形态及MACD交易系统的构筑方法。 本书内容由浅入深、层层深入,力求帮助投资者系统地应用MACD指标开展高成功率的实战交易。

书中详细地介绍了一个 常用技术指标介绍

股票、债券、期货、期权市场交易者的必备工具书 各类证券交易者的案头必备手册收录 135 个技术指标,80 个技术指标的图形详解,最权威的技术指标大全「 「这是一本所有投资者都不可错过的好书。本书从… 查看全部内容

资深投资专家:浅谈技术分析的理论和实践

技术分析是指以市场行为为研究对象,以判断和预测市场趋势,并跟随趋势的变化来进行股票及衍生品交易的方法。 技术分析的三大假设 1. 市场行为包容消化一切信息——可能影响股票价格的每一个因素(包括内在和外在的)都反映在市场行为中。 2. 价格以趋势方式波动——运动中的股票价格趋势,有保持原来方向运动的惯性。 3. 历史往往会重演——基于对趋于不变的人类心理和行为的研究。我们利用技术分析来关注价格趋势及成交量的变… 阅读全文 ​

汇课堂:相对强弱指标RSI的2种经典用法,赚钱神器

内容来源:公众号汇课堂 相对强弱指数(RSI)是一种非常成熟的基于动量的振荡器,用于测量价格方向性运动速度和变化幅度。 从本质上讲RSI以图形化的方式提供了一种直观的手段来监控特定品种,和当前以及历史数据的强弱,强弱程度取决于特定交易期间的收盘价,这是衡量价格和动量变化的可靠性指标,RSI已被证明是一个可行且公认的价格变动指标。 [图片] 如前所述,RSI是一种基于动量的振荡器。这意味着作为一个振荡器,该指示器在一个频… 阅读全文 ​

庄散精简版

A01:=DYNAINFO(7); A03:=BARSCOUNT(CLOSE); A04:=(SMA((CLOSE / HHV(HIGH,120)),3,1) * 100); A05:=IF((A03 > 20),A04,0); A06:=IF((LOW > A01),0,IF((HIGH 0) AND (书中详细地介绍了一个 常用技术指标介绍 A07 > REF(A07,1))) AND (A05 阅读全文 ​

SAR指标使用技巧,减少损失扩大收益,要求散户正确使用该指标!

1、SAR指标含义 SAR指标又称停损转向点指标,是基于抛物线原理,是由是由威尔斯-威尔德(Wells Wilder)所发明,是三角洲DELTA理论的创作者。 目前该指标已广泛应用于股市及期货外汇市场,也是散户应用频率较高的一项技术指标。金融市场,任何技术指标都有其优点和缺点,对于该指标的使用效果,会用的散户觉得非常好用,但是不会的散户就会觉得该指标不准,SAR指标见下图1。 [图片] 2、SAR指标使用技巧①SAR指标基于抛物线原理,与移动… 阅读全文 ​

不要炒股票15:傻儿子想找老婆

“要上场了。” 老湿站起了身,把斗篷批在身上,对着我做出了嘘的手势,然后掀帘子走了出去。 我隔着门缝向外看着。来人是一个五十多岁的老人,头发已经花白,穿的也不怎么样,脚上的鞋还带着泥点,一看就是农村来的。 老湿看上去也没什么兴趣,但还是勉强招呼对方坐下。老头毕恭毕敬,向后招了招手,竟然又出来一个人。 原来是老头的儿子,胖呼呼的,但看上去憨憨的,一直在笑。 “大湿,我就是来替我儿子问问,都说您是远近闻… 阅读全文 ​

什么是能量潮指标?丨OBV指标详解和实战用法

能量潮指标,简称OBV指标,它是一个动量指标,它使用成交量信息来帮助交易者更好地预测股票和其他金融衍生品的价格变化。该指标由Joseph Granville早在1963年提出。他在《股市盈利的新钥匙》一书中发表了这一概念,他分析了成交量对于跟踪证券价格变化的重要性。 OBV指标的概念是基于这样的想法:当交易量增加时,即使一开始不影响价格,但在某些时候也会影响。然后价格将上升或下降,这取决于多头还是空头占了上风。 当该指标第… 阅读全文 ​

刘看山 知乎指南 知乎协议 知乎隐私保护指引
应用 工作 申请开通知乎机构号
侵权举报 网上有害信息举报专区
京 ICP 证 110745 号
京 ICP 备 13052560 号 - 1
京公网安备 11010802020088 号
京网文[2019]4928-541号
药品医疗器械网络信息服务备案
(京)网药械信息备字(2022)第00334号 服务热线:400-919-0001 违法和不良信息举报:010-82716601 举报邮箱:[email protected]
儿童色情信息举报专区
互联网算法推荐举报专区
养老诈骗举报专区
MCN 举报专区
信息安全漏洞反馈专区
内容从业人员违法违规行为举报
证照中心 Investor Relations
联系我们 © 2022 知乎
北京智者天下科技有限公司版权所有

评价机器学习模型的三大指标:准确率、精度和召回率

太白山鹰 于 2019-03-07 15:08:04 发布 7418 收藏 14

倘若某人声称创建了一个能够识别登上飞机的恐怖分子的模型,并且准确率(accuracy)高达 99%。你相信吗?好了,有这么一个模型:将从美国机场起飞的所有乘客简单地标注为非恐怖分子。已知美国全年平均有 8 亿人次的乘客,并且在 2000-2017 年间共发现了 19 名恐怖分子,这个模型达到了接近完美的准确率——99.9999999%。这听起来确实令人印象深刻,但是我怀疑美国国土安全局不会在近期购买这个模型。尽管这个模型拥有接近完美的准确率,但是在这个问题中准确率显然不是一个合适的度量指标。

直观地说,我们知道在恐怖分子检测的问题中宣布所有的数据点为负例(非恐怖分子)是毫无裨益的,相反,我们应该聚焦于正例(恐怖分子)的识别。直觉告诉我们,我们应该最大化的是统计学上称为召回率或查全率(recall)的衡量指标,或者是最大化模型找到数据集中所有相关案例的能力。召回率的准确定义是:真正例除以(真正例+假反例)的和,如下图所示。真正例(true positives)是被真确分类的正例数据点,假反例(false negatives)是被错误分类的负例数据点。在恐怖分子检测的例子中,TP 是被正确识别的恐怖分子,FN 是模型误分类为非恐怖分子的恐怖分子的数据点。召回率可以被理解为模型找到数据集中所有感兴趣的数据点的能力。

你可能注意到了这个等式中的一些细节:如果我们将所有的个体都预测为恐怖分子,那么模型的召回率就是 1.0!这样我们就得到了一个完美的模型吗?当然,不是!与数据科学中的绝大多数概念一样,在我们想要最大化的指标之间存在一个权衡。在召回率的例子中,当召回率增大的时候,精度就会减小。同样,直觉告诉我们,一个将 100% 的乘客标记为恐怖分子的模型可能是不可用的,因为我们必须禁止每一个乘客的飞行。统计学为我们提供了表达直觉的词汇:这个新的模型是低精度(precision)的,或者说较低的仅识别相关数据点的能力。

现在我们可以看到,第一个模型给所有的个体标上了非恐怖分子的标签,这个模型是不能使用的。尽管它有着近乎完美的准确率,但是它的精度和召回率都是零,因为没有 TP(真正例)!假设我们轻微地修改一下模型,然后将一个个体正确地识别为恐怖分子。现在,精度是 1(没有假正例,FP),但是召回率很低,因为实际上会有很多假反例(FN)。假设我们走到了另一个极端,将所有的乘客标记为恐怖分子,召回率就会是 1——我们将抓住每一个恐怖分子,但是精度会特别低,我们最终会拘留很多无辜的人。换言之,随着精度的增加,召回率会降低,反之亦然。

精度—召回率权衡

在某些情况中,我们也许需要以牺牲另一个指标为代价来最大化精度或者召回率。例如,在之前的例子中,在对患者进行随访检查的初步疾病筛查中,我们可能希望得到接近于 书中详细地介绍了一个 常用技术指标介绍 1 的召回率—我们想找到所有实际患病的患者。如果随访检查的代价不是很高,我们可以接受较低的精度。然而,如果我们想要找到精度和召回率的最佳组合,我们可以使用 F1 score 来对两者进行结合。

F1 score 是对精度和召回率的调和平均:

我们使用调和平均而不是简单的算术平均的原因是:调和平均可以惩罚极端情况。一个具有 1.0 的精度,而召回率为 0 的分类器,这两个指标的算术平均是 0.5,但是 F1 score 会是 0。F1 score 给了精度和召回率相同的权重,它是通用 书中详细地介绍了一个 常用技术指标介绍 Fβ指标的一个特殊情况,在 Fβ中,β 可以用来给召回率和精度更多或者更少的权重。(还有其他方式可以结合精度和召回率,例如二者的几何平均,但是 F1 score 书中详细地介绍了一个 常用技术指标介绍 是最常用的。) 如果我们想创建一个具有最佳的精度—召回率平衡的模型,那么就要尝试将 F1 score 最大化。

其他的用来展示分类模型性能的可视化技术是受试者特征曲线(ROC 曲线,Receiver Operating Characteristic curve)。别被这个复杂的名词吓到!这个思想是相当简单的:ROC 曲线展示了当改变在模型中识别为正例的阈值时,召回率和精度的关系会如何变化。如果我们有一个用来识别疾病的模型,我们的模型可能会为每一种疾病输出介于 0 到 1 之间的一个分数,为了将某个病人标记为患有某种疾病(一个正例标签),我们为每种疾病在这个范围内设置一个阈值,通过改变这个阈值,我们可以尝试实现合适的精度和召回率之间的平衡。

ROC 曲线在 Y 轴上画出了真正例率(TPR),在 X 轴上画出了假正例率 (FPR)。TPR 是召回率,FPR 是反例被报告为正例的概率。这两者都可以通过混淆矩阵计算得到。

下图是一个典型的 ROC 曲线:

在阈值为 1.0 的情况下,我们将位于图的左下方,因为没有将任何数据点识别为正例,这导致没有真正例,也没有假正例(TPR = FPR = 0)。当降低阈值时,我们将更多的数据点识别为正例,导致更多的真正例,但也有更多的假正例 ( TPR 和 FPR 增加)。最终,在阈值 0.0 处,我们将所有数据点识别为正,并发现位于 ROC 曲线的右上角 ( TPR = FPR = 1.0 )。

最后,我们可以通过计算曲线下面积 ( AUC ) 来量化模型的 ROC 曲线,这是一个介于 书中详细地介绍了一个 常用技术指标介绍 0 和 1 之间的度量,数值越大,表示分类性能越好。在上图中,蓝色曲线的 AUC 将大于红色曲线的 AUC,这意味着蓝色模型在实现准确度和召回率的权衡方面更好。随机分类器 (黑线) 实现 0.5 的 AUC。