🍁 金秋送福，大獎轉不停！Gate 廣場第 1️⃣ 3️⃣ 期秋季成長值抽獎大狂歡開啓！
總獎池超 $15,000+，iPhone 17 Pro Max、Gate 精美週邊、大額合約體驗券等你來抽！
立即抽獎 👉 https://www.gate.com/activities/pointprize/?now_period=13&refUid=13129053
💡 如何攢成長值，解鎖更多抽獎機會？
1️⃣ 進入【廣場】，點頭像旁標識進入【社區中心】
2️⃣ 完成發帖、評論、點讚、社群發言等日常任務，成長值拿不停
100% 必中，手氣再差也不虧，手氣爆棚就能抱走大獎，趕緊試試手氣！
詳情： https://www.gate.com/announcements/article/47381
#成长值抽奖赢iPhone17和精美周边# #BONK# #BTC# #ETH# #GT#
預測說明:
我認爲1小時及以上的K線圖應該使用ridge，但當你使用1分鍾/5分鍾的K線圖時，通常發現XGBoost更勝一籌。
5分鍾需要一些仔細的調校，但1分鍾，尤其是秒數，你會看到XGBoost通過更好的模型在你的信息系數上額外提升0.01-0.025。
XGBoost非常酷，因爲你可以避免NaN值(，這通常是回測中的一個問題，即不同的數據集可用性用於回溯，一個提供者可能有10年，另一個2)。
當然，你可以進行插值，但這並不是最現實的方法，技術上來說，它具有前視性，因爲你提前揭示了特徵的均值/中位數。你也可以使用一種無前視的均值，但仍然...
對於線性內容，如果你無法承受1小時及更高時間框架的擬合，並且想處理NaN，你最好的選擇是進行IC加權集成，並在出現NaN時重新計算權重(確定各特徵的IC以及哪些特徵在集合中時，確定應該是什麼權重並不是特別昂貴)。