Прогнозируем другие параметры по множественной корреляции [090224_01]

MEAN

inp[(open(t-1)-close(t-1))/mean(t-1)] to out[(mean(t)-open(t-1))/mean(t-1)] corr = 0.7057210
inp[(close(t-1)-open(t-1))/mean(t-1)] to out[(mean(t)-open(t-1))/mean(t-1)] corr = 0.7057210
inp[(close(t-1)-mean(t-1))/mean(t-1)] to out[(mean(t)-open(t-1))/mean(t-1)] corr = 0.6742728
inp[(mean(t-1)-close(t-1))/mean(t-1)] to out[(mean(t)-open(t-1))/mean(t-1)] corr = 0.6742728

LOW
inp[(open(t-1)-close(t-1))/mean(t-1)] to out[(low(t)-open(t-1))/mean(t-1)] corr = 0.7019672
inp[(close(t-1)-open(t-1))/mean(t-1)] to out[(low(t)-open(t-1))/mean(t-1)] corr = 0.7019672
inp[(close(t-1)-mean(t-1))/mean(t-1)] to out[(low(t)-open(t-1))/mean(t-1)] corr = 0.6822825
inp[(mean(t-1)-close(t-1))/mean(t-1)] to out[(low(t)-open(t-1))/mean(t-1)] corr = 0.6822825

HIGH
inp[(open(t-1)-close(t-1))/mean(t-1)] to out[(high(t)-open(t-1))/mean(t-1)] corr = 0.7002619
inp[(close(t-1)-open(t-1))/mean(t-1)] to out[(high(t)-open(t-1))/mean(t-1)] corr = 0.7002619
inp[(close(t-1)-mean(t-1))/mean(t-1)] to out[(high(t)-open(t-1))/mean(t-1)] corr = 0.6848493
inp[(mean(t-1)-close(t-1))/mean(t-1)] to out[(high(t)-open(t-1))/mean(t-1)] corr = 0.6848493


OPENinp[(open(t-1)-close(t-1))/mean(t-1)] to out[(open(t)-open(t-1))/mean(t-1)] corr = 0.7129548
inp[(close(t-1)-open(t-1))/mean(t-1)] to out[(open(t)-open(t-1))/mean(t-1)] corr = 0.7129548
inp[(close(t-1)-mean(t-1))/mean(t-1)] to out[(open(t)-open(t-1))/mean(t-1)] corr = 0.6554768
inp[(mean(t-1)-close(t-1))/mean(t-1)] to out[(open(t)-open(t-1))/mean(t-1)] corr = 0.6554768

Вот такие результаты для других параметров. И опять результаты не плохие.

Во всех экспериментах модель захотела брать в качестве входов разницу между открытием и закрытием в предыдущем дне и разницы между закрытием и средним в предыдущем дне. А в качестве выхода она хотела брать только разницу с открытием предыдущего дня. Весьма странный результат, но его необходимо как-то трактовать. Возможно в этом есть какой-то вход в неисследованный лабиринт.