概要
取引と投資の進化する風景の中で、洗練された信頼性の高いツールの需要はますます高まっています。AIトレンドナビゲーターは、この需要に応えるために設計されたインジケーターで、市場のトレンドや将来の価格動向に関する貴重な洞察を提供します。 AIトレンドナビゲーター インジケーターは、k-最近傍法（KNN）分類器を使用して市場のトレンドを予測するように設計されています。
最近の価格動向をインテリジェントに分析し、類似の値を強調することで、トレーダーが複雑な市場状況を自信を持ってナビゲートできるようにします。これは、トレンドを分析するための高度な方法を提供し、より単純なトレンドフォロー手法と比較して、より正確な予測を提供する可能性があります。
- KNN移動平均計算: アルゴリズムの核心は、指定されたウィンドウサイズ内のターゲットに最も近い「k」個の値の平均を計算するKNN移動平均です。これは、ウィンドウを反復処理し、ターゲットと各値との絶対差を計算し、最も近い値の平均を見つけることで行います。ターゲットと値は、ユーザーの好みに基づいて選択されます（例：VWAPやボラティリティをターゲットとして使用）。
- KNN分類器機能: この機能は、k-最近傍法アルゴリズムを適用して、価格動向をポジティブ、ネガティブ、またはニュートラルに分類します。最も近い「k」本のバーを見て、それらの間のユークリッド距離を計算し、相対的な動きに基づいて分類します。次に、ポジティブ、ネガティブ、またはニュートラルのカテゴリの最高カウントに基づいて予測を返します。
使用方法
トレーダーは、このインジケーターを使用して、さまざまな市場での潜在的なトレンド方向を特定できます。
トレンドの発見: トレーダーはKNN移動平均を使用して、資産の基礎的なトレンドを特定できます。最も近いk個の値に焦点を当てることで、このインジケーターのこのコンポーネントは、トレンド方向のより明確なビューを提供し、市場のノイズをフィルタリングします。
トレンドの確認: KNN分類器コンポーネントは、将来の価格方向を予測することで既存のトレンドを確認できます。予測を現在のトレンドと一致させることで、トレーダーは取引の決定に対する自信を高めることができます。
PriceValue: これは、KNNアルゴリズムで距離計算に使用される価格入力のタイプを決定します。
- hl2: 高値と安値の平均を使用します。
- VWAP: ボリューム加重平均価格を使用します。
- VWAP: ボリューム加重平均価格を使用します。
- 効果: この入力を変更すると、KNN分類で使用される基準値が変更され、予測が変わる可能性があります。
TargetValue: これは、KNN分類が予測を試みるターゲット変数を設定します。
- 価格動作: 終値の移動平均を使用します。
- VWAP: ボリューム加重平均価格を使用します。
- ボラティリティ: 平均真の範囲（ATR）を使用します。
- 効果: 異なるターゲットを選択すると、KNNが予測しようとしている内容に影響を与え、予測の性質と意図が変わる可能性があります。
最も近い値の数: KNN移動平均の平均を計算する際に考慮される最も近い値の数を定義します。
- 効果: この値を増やすと、アルゴリズムはより多くの最近傍を考慮し、インジケーターを滑らかにし、反応が鈍くなる可能性があります。この値を減少させると、インジケーターはより敏感になる可能性がありますが、ノイズに対してより影響を受けやすくなる可能性があります。
近傍: これは、アルゴリズムのKNN分類器部分で考慮される近傍の数を設定します。
- 効果: 近傍の数を調整すると、KNN分類器の感度と滑らかさに影響を与えます。
スムージング期間: KNN分類器で使用される移動平均のスムージング期間を定義します。
- 効果: この値を増やすと、KNN移動平均が滑らかになり、ノイズが減少する可能性があります。減少させると、インジケーターはより反応的になりますが、誤信号に対してより影響を受けやすくなる可能性があります。
K-最近傍法（K-NN）アルゴリズムとは何ですか？
K-NNアルゴリズムは、マーケットデータ内のパターンを認識し、データポイント間の関係と類似性を分析します。データセット内の最も類似した「K」個のインスタンス（または近傍）を考慮することで、過去のトレンドに基づいて将来の価格動向を予測します。K-最近傍法（K-NN）アルゴリズムは、インスタンスベースまたは非一般化学習の一種です。K-NNは比較的単純な機械学習技術と見なされますが、AIの傘下にあります。
K-最近傍法（K-NN）アルゴリズムを人工知能（AI）の一形態として分類できます。その理由は次のとおりです：
- 機械学習コンポーネント: K-NNは機械学習アルゴリズムの一種であり、機械学習はAIのサブセットです。機械学習は、コンピュータがデータに基づいて学習し、予測や決定を行うことを可能にするアルゴリズムを構築することです。K-NNはこのカテゴリに該当するため、AIの原則に沿っています。
- インスタンスベース学習: K-NNはインスタンスベースの学習アルゴリズムです。これは、データセットから識別関数を導出するのではなく、トレーニングデータセット全体に基づいて決定を下すことを意味します。予測を行う際に最も類似した「K」個のインスタンス（近傍）を見て、新しい情報に適応します。この適応性は、知的システムの特徴です。
- パターン認識: K-NNの機能の核心は、データ内のパターンを認識することです。データポイント間の関係と類似性を特定し、人間のパターン認識に似たものであり、知性の重要な側面です。
- 分類と回帰: K-NNは、機械学習とAIの2つの基本的な問題である分類と回帰タスクの両方に使用できます。インジケーターコードは、AIの目標に沿った予測タスクであるトレンド分類に使用されます。
- 単純さはAIを除外しない: K-NNは深層学習モデルと比較して単純なアルゴリズムと見なされることが多いですが、単純さはAIであることを除外しません。多くのAIシステムは単純なルールに基づいて構築され、複雑な行動を作成するために組み合わせたりスケールしたりできます。
- 明示的なモデル構築なし: 従来の統計的方法とは異なり、K-NNはトレーニング中に明示的なモデルを構築しません。代わりに、予測が必要になるまで待機し、その後、トレーニングデータから「K」個の最も近い近傍を見てその予測を行います。この遅延学習アプローチは、機械学習の別の側面であり、より広いAI分野の一部です。
For those using GogoJungle for the first timeEasy 3 steps to use the product!
At GogoJungle, we provide services to enrich your investment life for our members. In addition, product purchases are normally limited to members. Why not register as a member now and make use of GogoJungle!
