我正在开展业余爱好项目，尝试使用MLP识别外汇交易机会。我不认为这是一个时间序列本身，而是我只是在一分钟的基础上收集当地环境的大量统计数据来预测市场在时间+ x的位置，其中x是我需要调整到的看看我有多雄心勃勃地向前推进。
我想收集的一些因素是一周中的某一天和一天中的时间，我知道这对交易活动有影响。时间相对简单;我将其分解为x-y笛卡尔图并将其视为两个变量，在原点处以45度角形成一个正方形...现在它可以被视为连续的，而x和y总是具有不同的对值。然而，一周中的某一天会导致一些问题，因为它被解析为介于0和6之间的值，并且当每日时间已被定义为其自己的循环时，它不能很好地分解为循环。特别是在第0天的高交易情况下（如果我选择将1添加到所有内容中，则为1），因为它会在随后的几天内增加所有权重，这可能实际上并不重要。
我不确定我能否在本周中期左右正常化，因为在市场开盘和收盘时可能会有很高的活动，现在通过正常化进入极端对立面。每日周期更为重要和可预测，因为公司大致在同一时间汇回国外收入，但两者都很重要。我得到的误报很少，但是有很多误报（在某种程度上，也就是说，市场运动预测为实际移动时为零），而且每周一天肯定是至少有一个因素。
在这一点上，似乎我需要生产6个离散模型，每天一个（周六没有交易），这似乎过多。我觉得这个问题是统计数据和SO之间的分歧所以不确定在哪里发布;这必然会在实际情况下出现，例如预测员工缺勤或与工作有关的事故以及其他许多事情。我很好奇是否有一种既定的方法来处理数值循环和子循环，它们是互补的 - 有谁知道？提前谢谢。