哪种机器学习或深度学习模型（必须是监督学习）最适合识别金融市场的模式？
我所说的金融市场中的模式识别是什么意思：下图显示了示例模式（即头肩）的样子：
下图显示了它在实际图表事件中的实际形成方式：
我想要做的是：任何类似于图 1 的模式都可以定义为头肩模式，但在图表（价格图表）中，它不会像图 1 那样清晰。图 2 是头肩模式的示例图表中的模式形式（价格图表）。如图 2 所示，不能通过正常的算法或分析将其识别为头肩模式（因为有很多高点和低点形成了很多结构，很容易误导成很多肩膀或头或任何其他结构）。我期待训练机器在形成类似（如图 2）图案时 识别头肩图案。
感谢您的时间。
让我知道我是否走错了路。我只有机器学习的初学者知识。
您应该查看基于Dynamic Time Warping (DTW) distance的分类器。DTW 是一种计算两个给定序列（例如时间序列）之间最佳匹配的方法。它已被用于监督学习设置，特别是据报道，当用于最近邻分类器时，它取得了最先进的结果。
你看过这篇论文吗？作者使用 DTW 来识别图表模式的集合。
这些是一些可能有用的建议。
我的想法是基本上平滑，直到你得到你的头和肩膀，即三个最大值。
警告：平滑虽然减少了曲线上的噪声量（不是字面上的噪声），但它倾向于将曲线从其原始位置移动以表示它。
示例 Python 实现将类似于
from statsmodels.nonparametric.smoothers_lowess import lowess
import numpy as np
from scipy.signal import argrelextrema
import matplotlib.pyplot as plt
sample_points = np.array([1,2.3,3.5,3,4.5,5,2.25,33.3,5,6.7,7.3,56.0,70.1,4.2,5.4,6.2,4.4,100,2.9,45,10,3.4,4.8,50,2.3,3.45,5.5,6.7,7.9,8.7,6.1])
for i in np.arange(0,0.5,0.05):
# i in the loop is the percentage of data points we are inputing for the loess regression. Wiki atricle explains it, I guess
filtered = lowess(sample_points,range(len(sample_points)), is_sorted=True, frac=i, it=0)
maxima = argrelextrema(filtered[:,1], np.greater)
if len(maxima[0]) == 3:
plt.plot(filtered[:,1])
plt.show()
我希望这种方式可以说明您可能需要检查的地方。
您似乎可以使用百分比来模仿这种模式。两肩到峰内大约多高？（头）两肩要平吗？完美或确实给出了细微的差别这个细微的差别是什么。在研究图表以查看成功模式的百分比后，可能会找到答案。然后模仿这个。