トレーディングにおける機械学習：理論、モデル、実践、アルゴトレーディング - ページ 106 1...99100101102103104105106107108109110111112113...3399 新しいコメント Yury Reshetov 2016.08.14 20:41 #1051 アンドレイ・ディク売 買 解 釈-1 0 売却0 0 フェンス0 1 購入-1 1 フェンスこちらがスイッチ表です。そこから、グリッド信号があるときに信号が発生し、互いに矛盾しないことがわかります。 ありがとうございます。つまり、私の3値分類器のように、2値分類器の不整合 - 柵の上に座っているのです。 2つの2値分類器から1つの3値分類器が組み立てられるという、並行して同じ解決策にたどり着いたことがわかりました。3出力3項では、すべての出力が相互に排他的でなければならないため、差分をどのように解釈すればよいのかが不明であり、実際には必ずしもそうならないため、3出力3項より実装が容易である。 そして、結論も同じで、2つのバイナリーの3元系は、個々のバイナリーよりも一般化しやすいということです。 СанСаныч Фоменко 2016.08.14 20:49 #1052 ユーリー・レシェトフありがとうございました。つまり、私の3値分類器と同じように、2値分類器の矛盾はフェンスに座っているのです。 2つの2値分類器から1つの3値を組み立てることができるという、並列で同じ解に到達したことがわかります。なぜなら、3出力3項では、すべての出力が相互に排他的でなければならないため、不一致をどのように解釈するかが明確でなく、実際には必ずしもそうでないからである。 実は、3進数に2つの2進数を足しても、1進数にはならないのです。第3のクラスを追加すると、2つのクラスの矛盾として得られます。また、オリジナルの三元系であればどうでしょうか？例えばジグザグで言えば、どのようなものでしょうか。アウトオブマーケットはジグザグの横ばいか？つまり、あなたとは全く異なるターゲット変数です。 Andrey Dik 2016.08.14 20:49 #1053 Dr.Trader: これらの説明で、もっともらしく聞こえますね。また、取引するパターンはどの程度珍しいのでしょうか？例えば、「 買いポジションを持つ」クラスと「すべてのトレードを閉じる」クラスのトレーニング例があったとして、これらのクラスの比率はどうなるでしょうか？仮に、買いクラスが数百ポイントの急激な値上がりに対応しているとすると、買いクラスの量は全トレーニング例の10％程度になるのでしょうか。近い」信号はかけない。Neuronicsは市場に参入する方法しか知らず、取引システムは撤退する方法を決定します。これは、まさにこのTSをただのランダム信号一般に適用するよりも優れています。以前、第4回フォーラムで、neuronkeyや同様の機械学習システムには、売買シグナルが時間制限付きで作用するTSだけが十分だと深く確信している、と書きました。当初、ニューロンには乗り越えられない矛盾（無限の未来を期待して買うか売るかを、互いに優位性を持たずに平等に行う）があるので、ニューロンには、取引を終了するタイミングを決めることを許可していません。 СанСаныч Фоменко 2016.08.14 20:57 #1054 アンドレイ・ディク： クローズ」シグナルは適用しない。神経細胞は市場に参入する方法しか知らず、取引システムは撤退する方法を決定する。これは、まさにこのTSをただのランダム信号一般に適用するよりも優れています。先ほど第4回フォーラムで、neuronkeyや同様の機械学習システムには、売買シグナルが時間制限付きで作用するTSだけが十分だと深く確信している、と書きました。当初、ニューロンには乗り越えられない矛盾（無限の未来を期待して買うか売るかを、互いに優位性を持たずに平等に行う）があるので、ニューロンには、取引を終了するタイミングを決めることを許可していません。あなたの投稿は私を幸せにしました。私はここで、機械学習のアルゴリズムをトレーディングシステムの外で考えることは空しいことだと説いてきた。同じ指摘をしたのは、あなたが初めてです。取引システムから踊り出て、機械学習モデルを使って、本物の取引システムのパラメータを改善しようとしなければならないのです。rfを挿入してドローダウンを減らしました。実際、本当のTSは買い/売りよりもはるかに多くの特性を持っています。 Andrey Dik 2016.08.14 20:59 #1055 mytarmailS: 1) 今まで知らなかったデータを受け取れば学習できるネットワークがあります。 興味のある方は読んでみてください。 ネットワークはSOINNと呼ばれていますhttps://www.google.com.ua/webhp?sourceid=chrome-instant&ion=1&espv=2&ie=UTF-8#q=soinn2) それについて書くのはもう飽きた。しかも、私は市場が自らの統計に反することを実質的に証明し、そのメカニズムまで説明した。なぜそれが起こるのか、古典的な形式の研究はすべてそれに適用できない。しかし誰も興味を持たず、誰もが同じことをする。1.ありがとうございます、読んでみます。p2 をご覧ください。2.時間の経過とともにパターンが変化する問題は、新しいパターンを知識ベースに追加するだけでなく、変化したパターンを見つけ、それが全く変化していないかどうかを調べる必要があるため、プリラーニングでも解決できない、と私は思います...。これは非常に難しく、一見乗り越えられないように見える課題です。それはAIの、思考の、知能のセクションであり、掛け算の表を覚えて、すべてのタスク、たとえ型にはまったものでない新しいものであっても数学を適用できるようになるようなものです。発見できる思考、すなわち有用な情報や知識を独自に生み出すことができる思考部門である。しかし、ニューロニクスの巧妙な応用は禁じられているわけではなく、もちろん可能です。単純に、統計や確率計算、記憶するための統計、バックアップするための確率という部分からだと思います。統計学と確率計算をうまく組み合わせれば、モにもっと広がりが出るかもしれない、少なくともそれだけですべての希望がかなう。 Andrey Dik 2016.08.14 21:03 #1056 サンサニッチ・フォメンコあなたの投稿は私を幸せにしました。私はここで、機械学習のアルゴリズムをトレーディングシステムの枠外で考えることは空しいことだと説いてきました。同じような指摘をしたのはあなたが初めてです。取引システムから踊り出て、機械学習モデルを使って、本物の取引システムのパラメータを改善しようとしなければならないのです。rfを挿入してドローダウンを減らしました。実際、本当のTSは買い/売りよりもはるかに多くの特性を持っています。嬉しいですね、かなり。機械学習は、特定のTSと切り離して考えることができる人が全くいないことに驚き...。 TheXpert 2016.08.14 21:04 #1057 Dr.トレーダーFXの場合も可能ですが、それと同じだけの努力が必要です。はい、しかし、神経細胞の構成には関係ありません。 Andrey Dik 2016.08.14 21:10 #1058 ユーリー・レシェトフありがとうございます。つまり、私の3値分類器と同じように、2値分類器の矛盾は、フェンスに座っているのです。 2つの2値分類器から1つの3値を組み立てることができるという、並列で同じ解に到達したことがわかります。3出力3項では、すべての出力が相互に排他的でなければならないため、差分をどのように解釈すればよいのかが不明であり、実際には必ずしもそうならないため、3出力3項より実装が容易である。 You're welcome)です。まあそうなんですが、単純なサヤ取りでは、相場の認知度を下げながらトレード回 数を減らせるという素晴らしい効果はありません（シグナルの解釈の難しさは別として）。でも、テルナルニクを通じて、ここまで来たんです（口頭では、ここで言葉を認識）。 СанСаныч Фоменко 2016.08.14 21:14 #1059 アンドレイ・ディク2.時間の経過とともにパターンが変化する問題は、新しいパターンを知識ベースに追加するだけでなく、変化したパターンを見つけ、それが全く変化していないかどうかを調べる必要があるため、私の考えでは、プリラーニングでも解決不可能です......。事前学習の問題がよくわかるのは例5000本のバーのサンプルにモデルを当てはめる。モデル自体は、木の数が増えるにつれて誤差がどう変化するかを示すグラフを出し、その木がパターンになります。私の予測器では、100本の木を使うことが可能です。誤差を完全にストレートにするために、300回を目安にしています。20,000本のバーのサンプルでフィッティングを始める（適用しない）。驚いたのは、エラーグラフが変化していないことです木の本数は変わりませんでした。すなわち、パターンのバリエーションは最初の5000本のバーですでに使い果たされていたのです。しかし、一番嫌なのは、これでは問題が解決しないことです。そして問題は、モデルの再トレーニング、つまり、ある特殊な部分を取り出して、それを基にツリーを構築することです。何が問題なのか？問題は予測因子であって、モデルではない。予測因子の予測力を測定する方法を知っている。つまり、予測能力のない予測因子（ノイズ予測因子）を捨てるだけでなく、予測能力が定常的でなければならないのです。そのような予測因子は見つかりませんでした。そして、問題は残ります。 Yury Reshetov 2016.08.14 21:15 #1060 アンドレイ・ディクYou're welcome)です。まあそうなんですが、単純なサヤ取りでは、相場の認知度を下げながらトレード回 数を減らせるという素晴らしい効果はありません（シグナルの解釈の難しさは別として）。でも、三文芝居を通して、ここまで来たんです（口頭では、ここで言葉を認識）。3元とは、相互に排他的な3つの状態をとることができることを意味する。別称は三元（さんげん）。3つの出力（それぞれ2進数）を持つグリッドは、8つの互いに排他的な状態を作り出すことができるが、そのうち3つだけが3進数として一義的に解釈される。そして、残りの5つの州は、どのように解釈すればよいのか不明なのですね。 1...99100101102103104105106107108109110111112113...3399 新しいコメント 取引の機会を逃しています。 無料取引アプリ 8千を超えるシグナルをコピー 金融ニュースで金融マーケットを探索 新規登録 ログイン スペースを含まないラテン文字 このメールにパスワードが送信されます エラーが発生しました Googleでログイン WebサイトポリシーおよびMQL5.COM利用規約に同意します。 新規登録 MQL5.com WebサイトへのログインにCookieの使用を許可します。 ログインするには、ブラウザで必要な設定を有効にしてください。 ログイン/パスワードをお忘れですか？ Googleでログイン
売 買 解 釈
-1 0 売却
0 0 フェンス
0 1 購入
-1 1 フェンス
こちらがスイッチ表です。そこから、グリッド信号があるときに信号が発生し、互いに矛盾しないことがわかります。
ありがとうございます。つまり、私の3値分類器のように、2値分類器の不整合 - 柵の上に座っているのです。
2つの2値分類器から1つの3値分類器が組み立てられるという、並行して同じ解決策にたどり着いたことがわかりました。3出力3項では、すべての出力が相互に排他的でなければならないため、差分をどのように解釈すればよいのかが不明であり、実際には必ずしもそうならないため、3出力3項より実装が容易である。
そして、結論も同じで、2つのバイナリーの3元系は、個々のバイナリーよりも一般化しやすいということです。
ありがとうございました。つまり、私の3値分類器と同じように、2値分類器の矛盾はフェンスに座っているのです。
2つの2値分類器から1つの3値を組み立てることができるという、並列で同じ解に到達したことがわかります。なぜなら、3出力3項では、すべての出力が相互に排他的でなければならないため、不一致をどのように解釈するかが明確でなく、実際には必ずしもそうでないからである。
実は、3進数に2つの2進数を足しても、1進数にはならないのです。
第3のクラスを追加すると、2つのクラスの矛盾として得られます。また、オリジナルの三元系であればどうでしょうか？例えばジグザグで言えば、どのようなものでしょうか。アウトオブマーケットはジグザグの横ばいか？つまり、あなたとは全く異なるターゲット変数です。
これらの説明で、もっともらしく聞こえますね。また、取引するパターンはどの程度珍しいのでしょうか？例えば、「 買いポジションを持つ」クラスと「すべてのトレードを閉じる」クラスのトレーニング例があったとして、これらのクラスの比率はどうなるでしょうか？仮に、買いクラスが数百ポイントの急激な値上がりに対応しているとすると、買いクラスの量は全トレーニング例の10％程度になるのでしょうか。
近い」信号はかけない。Neuronicsは市場に参入する方法しか知らず、取引システムは撤退する方法を決定します。これは、まさにこのTSをただのランダム信号一般に適用するよりも優れています。
以前、第4回フォーラムで、neuronkeyや同様の機械学習システムには、売買シグナルが時間制限付きで作用するTSだけが十分だと深く確信している、と書きました。当初、ニューロンには乗り越えられない矛盾（無限の未来を期待して買うか売るかを、互いに優位性を持たずに平等に行う）があるので、ニューロンには、取引を終了するタイミングを決めることを許可していません。
クローズ」シグナルは適用しない。神経細胞は市場に参入する方法しか知らず、取引システムは撤退する方法を決定する。これは、まさにこのTSをただのランダム信号一般に適用するよりも優れています。
先ほど第4回フォーラムで、neuronkeyや同様の機械学習システムには、売買シグナルが時間制限付きで作用するTSだけが十分だと深く確信している、と書きました。当初、ニューロンには乗り越えられない矛盾（無限の未来を期待して買うか売るかを、互いに優位性を持たずに平等に行う）があるので、ニューロンには、取引を終了するタイミングを決めることを許可していません。
あなたの投稿は私を幸せにしました。
私はここで、機械学習のアルゴリズムをトレーディングシステムの外で考えることは空しいことだと説いてきた。同じ指摘をしたのは、あなたが初めてです。
取引システムから踊り出て、機械学習モデルを使って、本物の取引システムのパラメータを改善しようとしなければならないのです。rfを挿入してドローダウンを減らしました。実際、本当のTSは買い/売りよりもはるかに多くの特性を持っています。
1) 今まで知らなかったデータを受け取れば学習できるネットワークがあります。 興味のある方は読んでみてください。 ネットワークはSOINNと呼ばれていますhttps://www.google.com.ua/webhp?sourceid=chrome-instant&ion=1&espv=2&ie=UTF-8#q=soinn
2) それについて書くのはもう飽きた。しかも、私は市場が自らの統計に反することを実質的に証明し、そのメカニズムまで説明した。なぜそれが起こるのか、古典的な形式の研究はすべてそれに適用できない。しかし誰も興味を持たず、誰もが同じことをする。
1.ありがとうございます、読んでみます。p2 をご覧ください。
2.時間の経過とともにパターンが変化する問題は、新しいパターンを知識ベースに追加するだけでなく、変化したパターンを見つけ、それが全く変化していないかどうかを調べる必要があるため、プリラーニングでも解決できない、と私は思います...。これは非常に難しく、一見乗り越えられないように見える課題です。それはAIの、思考の、知能のセクションであり、掛け算の表を覚えて、すべてのタスク、たとえ型にはまったものでない新しいものであっても数学を適用できるようになるようなものです。発見できる思考、すなわち有用な情報や知識を独自に生み出すことができる思考部門である。しかし、ニューロニクスの巧妙な応用は禁じられているわけではなく、もちろん可能です。単純に、統計や確率計算、記憶するための統計、バックアップするための確率という部分からだと思います。統計学と確率計算をうまく組み合わせれば、モにもっと広がりが出るかもしれない、少なくともそれだけですべての希望がかなう。
あなたの投稿は私を幸せにしました。
私はここで、機械学習のアルゴリズムをトレーディングシステムの枠外で考えることは空しいことだと説いてきました。同じような指摘をしたのはあなたが初めてです。
取引システムから踊り出て、機械学習モデルを使って、本物の取引システムのパラメータを改善しようとしなければならないのです。rfを挿入してドローダウンを減らしました。実際、本当のTSは買い/売りよりもはるかに多くの特性を持っています。
嬉しいですね、かなり。
機械学習は、特定のTSと切り離して考えることができる人が全くいないことに驚き...。
FXの場合も可能ですが、それと同じだけの努力が必要です。
はい、しかし、神経細胞の構成には関係ありません。
ありがとうございます。つまり、私の3値分類器と同じように、2値分類器の矛盾は、フェンスに座っているのです。
2つの2値分類器から1つの3値を組み立てることができるという、並列で同じ解に到達したことがわかります。3出力3項では、すべての出力が相互に排他的でなければならないため、差分をどのように解釈すればよいのかが不明であり、実際には必ずしもそうならないため、3出力3項より実装が容易である。
You're welcome)です。
まあそうなんですが、単純なサヤ取りでは、相場の認知度を下げながらトレード回 数を減らせるという素晴らしい効果はありません（シグナルの解釈の難しさは別として）。でも、テルナルニクを通じて、ここまで来たんです（口頭では、ここで言葉を認識）。
2.時間の経過とともにパターンが変化する問題は、新しいパターンを知識ベースに追加するだけでなく、変化したパターンを見つけ、それが全く変化していないかどうかを調べる必要があるため、私の考えでは、プリラーニングでも解決不可能です......。
事前学習の問題がよくわかるのは
例
5000本のバーのサンプルにモデルを当てはめる。モデル自体は、木の数が増えるにつれて誤差がどう変化するかを示すグラフを出し、その木がパターンになります。私の予測器では、100本の木を使うことが可能です。誤差を完全にストレートにするために、300回を目安にしています。20,000本のバーのサンプルでフィッティングを始める（適用しない）。驚いたのは、エラーグラフが変化していないことです木の本数は変わりませんでした。すなわち、パターンのバリエーションは最初の5000本のバーですでに使い果たされていたのです。
しかし、一番嫌なのは、これでは問題が解決しないことです。そして問題は、モデルの再トレーニング、つまり、ある特殊な部分を取り出して、それを基にツリーを構築することです。
何が問題なのか？
問題は予測因子であって、モデルではない。
予測因子の予測力を測定する方法を知っている。つまり、予測能力のない予測因子（ノイズ予測因子）を捨てるだけでなく、予測能力が定常的でなければならないのです。そのような予測因子は見つかりませんでした。そして、問題は残ります。
You're welcome)です。
まあそうなんですが、単純なサヤ取りでは、相場の認知度を下げながらトレード回 数を減らせるという素晴らしい効果はありません（シグナルの解釈の難しさは別として）。でも、三文芝居を通して、ここまで来たんです（口頭では、ここで言葉を認識）。
3元とは、相互に排他的な3つの状態をとることができることを意味する。別称は三元（さんげん）。
3つの出力（それぞれ2進数）を持つグリッドは、8つの互いに排他的な状態を作り出すことができるが、そのうち3つだけが3進数として一義的に解釈される。そして、残りの5つの州は、どのように解釈すればよいのか不明なのですね。