Indikator ini dirancang untuk melakukan analisis regresi non-linear ganda menggunakan empat variabel independen: harga penutupan, pembukaan, tertinggi, dan terendah.
Berikut adalah komponen dan fungsionalitasnya:
Input:
- Panjang Data Normalisasi: Panjang data yang digunakan untuk normalisasi.
- Tingkat Pembelajaran: Tingkat di mana algoritma belajar dari kesalahan.
- Tampilkan titik data: Menampilkan plot data input yang dinormalisasi (close, open, high, low)
- Haluskan?: Opsi untuk menghaluskan output.
- Panjang Halus: Panjang penghalusan jika diaktifkan.
- Tentukan koefisien awal: Koefisien awal untuk persamaan regresi.
Normalisasi Data:
Skrip menormalkan data input ke rentang antara 0 dan 1 menggunakan nilai tertinggi dan terendah dalam panjang yang ditentukan.
Regresi Non-linear:
Ini menghitung persamaan regresi menggunakan koefisien input dan data yang dinormalisasi. Persamaan yang digunakan adalah jumlah berbobot dari variabel independen, dengan koefisien yang disesuaikan secara iteratif menggunakan gradient descent untuk meminimalkan kesalahan.
Perhitungan Kesalahan:
Skrip menghitung kesalahan antara nilai aktual dan nilai yang diprediksi.
Gradient Descent:
Koefisien diperbarui secara iteratif menggunakan gradient descent untuk meminimalkan kesalahan.
Visualisasi:
- Plot data input yang dinormalisasi (close, open, high, low).
- Indikator menyediakan visualisasi nilai data yang dinormalisasi (close, open, high, low) dalam bentuk penanda melingkar pada grafik, memungkinkan pengguna untuk dengan mudah mengamati posisi relatif nilai-nilai ini terhadap satu sama lain dan garis regresi.
- Plot garis regresi.
- Gradasi warna pada garis regresi berdasarkan nilainya dan warna bar.
- Tampilan data input yang dinormalisasi dan nilai prediksi dalam tabel.
- Sinyal untuk persilangan dengan garis tengah (0.5).
Interpretasi:
Pengguna dapat menginterpretasikan garis regresi dan persilangannya dengan garis tengah (0.5) sebagai sinyal untuk peluang beli atau jual potensial.
Indikator ini membantu pengguna menganalisis hubungan antara beberapa variabel dan membuat keputusan perdagangan berdasarkan analisis regresi. Menyesuaikan koefisien dan parameter dapat menyempurnakan kinerja model sesuai dengan kondisi pasar tertentu.
5 | 100 % | |
4 | 0 % | |
3 | 0 % | |
2 | 0 % | |
1 | 0 % |