Jag gräver i DBSCAN för den statistiska dashboarden och lagrar även ögonblicksbilder för ett beslutsträd som aktiveras efter 5–6 timmars körning (2–3 dagar ger mig mer statistiskt relevant data att dela) mitt huvudmål med detta är att kunna identifiera idiosynkratiska beteenden och avvikare över 545 Binance-tickers med en snabb blick. DBSCAN hittar grupper baserat på täthet, dvs. punkter som ligger nära varandra blir ett kluster och isolerade punkter flaggas som avvikare. Den avgörande skillnaden från k-betyder: k-betyder tvingar varje tillgång till en grupp oavsett vad. DBSCAN separerar och tolkar faktiskt idiosynkratiska avvikare bättre i detta format. I instrumentpanelen beskrivs varje utökad tillgång av 7 dimensioner samtidigt. > hur långt/kort, hastighet, sällsynthet, volym, BTC-korrelation och volatilitetsregime. Här tänker jag avsluta för nu. Jag samlar in lite data och kommer att dela den i artikeln jag arbetar med.

Sammanfattning: i statistikens skyttegravar