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 11 1...456789101112131415161718...3399 新しいコメント Alexey Burnakov 2016.06.07 21:41 #101 CCがどうしたいのかはっきりさせるのを待ちます。改めて考えてみると、単純な条件で出口があるトレードを予測するのは、最適とは言えないかもしれませんね。すでにオープンしているトレードのクローズの瞬間を学習する別のマシンをトレーニングするとしたらどうでしょう？説明しよう。1時間以内に取引を成立させる。そのように機械を訓練しています。1つのディールが開かれるごとに、31分から90分まで、1分ごとに60レコード（ライン）のチップを用意します。このうち約半数のエントリーは、60分目あたりに良い出口として1が表示されます。これは、いわゆる「問題をどう解決すべきか」という詳細な説明です。いかがでしょうか？ СанСаныч Фоменко 2016.06.08 07:56 #102 Alexey Burnakov： それは面白いアイデアですね。 私もEAを動かしています。バージョンアップの方法を考えてみようかな。しかし、具体的に何を改善すればいいのか、私にはよくわかりません。機械に何を教える必要があるのですか？Expert Advisorは、ポジションの開始と終了に 厳格なロジックを採用しています。機械学習では、少し違った方法で判断される。 つまり、具体的に何をするのかがよくわからないのです。ここで、上の私の投稿から見ることができます。高い鉄棒から大まかな方向性を掴んでいます。しかし、時間をよく見てみると、特に下のバーにはとんでもないタイムラグがあるのです。つまり、D1だけどM5でトレードする場合、ほぼ一昨日のデータを方向性に持っていくことが判明しました。30%の誤差でD1が一歩前進すると予測しても、Expert Advisorの収益性は根本的に改善され、何よりも売り切れることはないという確信が強まりました。私の場合、指標のラグ付きデータを使って、適切なR-predictionを行うつもりです。 Alexey Burnakov 2016.06.08 16:21 #103 サンサニッチ・フォメンコここで、上記の私の投稿をメモしておきます。大まかな方向性は、高さのある鉄棒から。しかし、時間をよく見てみると、特に下のバーにはとんでもないタイムラグがあるのです。つまり、D1だけどM5でトレードする場合、ほぼ一昨日のデータを方向性に持っていくことが判明しました。30%の誤差でD1が一歩前進すると予測しても、Expert Advisorの収益性は根本的に改善され、何よりも売り切れることはないという確信が強まりました。私の場合は、指標から得られるラグデータをRの対応する予測に使用するという方法を取っています。 なるほど、だいたいの考え方は理解できました。 Alexey Burnakov 2016.06.08 16:36 #104 ストレートにビッグニュースがあります。出張中、夕方になると、自分のデータでラーニングマシンを走らせました。様々なアプローチの組み合わせを試したそして、石の花が出てきたような......いきなりです。そこで、引用したリンク先のデータを使って、すでにブログで紹介されているようなことを試しながら、どんどんトレーニングを走らせています。でも、もう2つほど仕掛けを追加しました。例えば、抽象的な推測精度よりも、クロスバリデーションでより利益が出るような学習パラメータを選択しました。もちろん、そのためにフィットネス関数を書かなければならない。グラフには、予測期間と学習パラメータを変えた場合の、TrainingとValidationの期待値のペアが示されている。また、「グレーゾーン」、つまり何も起こらない予測空間という考え方も使いました。ご覧のように、トレーニングではかなりまともなMO値が得られ、検証では相関のある値が得られましたなお、このシミュレーションでは、0.00020（20ピック）のスプレッドを使用しています。また、スプレッドを含めた総取引額も計算しました。価値観もとても素敵です。最大利益は、取引回数と取引手口の一定の比率で達成され、これらはすべて12時間の計画水平線で行われます。グラフには、すべての計画水平線、すべてのグレーゾーン値、およびモデルの最適な学習パラメータが表示されています。以下をご覧ください。そこで、この知識を広めるために、足場の学習パラメータまで含めた全結果をファイルにまとめて添付します。でも、インプットはなし。私のデータからの入力が選択されています。これはちょっと秘密にしておきます。実験のフルコードかどうかは、よく考えてからにします。このマシンのMTとの連携は、すでにかなり効果が出ているようなので、これからやってみたいと思っています。アレクセイ ファイル: validate_gbm_new_sj_gray-zoned_validated.zip 51 kb Vladimir Perervenko 2016.06.08 17:27 #105 アレクセイ・ブルナコフストレートにビッグニュースがあります。出張中、夕方になると、自分のデータでラーニングマシンを走らせました。様々なアプローチの組み合わせを試したそして、石の花が出てきたような......いきなりです。とにかく、私があげたリンク先のデータで、私のブログですでに紹介されているようなことを試しながら、何度も何度もトレーニングを行いました。でも、もう2つほど仕掛けを追加しました。例えば、推測の抽象的な精度ではなく、クロスバリデーションでより利益が出るような学習パラメータを選択することです。もちろん、そのためにフィットネス関数を書かなければならない。グラフには、予測期間と学習パラメータを変えた場合の、TrainingとValidationの期待値のペアが示されている。また、「グレーゾーン」、つまり何も起こらない予測空間という考え方も使いました。ご覧のように、トレーニングではかなりまともなMO値が得られ、検証では相関のある値が得られましたなお、このシミュレーションでは、0.00020（20ピック）のスプレッドを使用しています。また、スプレッドを含めた総取引額も計算しました。価値観もとても素敵です。最大利益は、取引回数と取引手口の一定の比率で達成され、これらはすべて12時間の計画水平線で行われます。グラフには、すべての計画水平線、すべてのグレーゾーン値、およびモデルの最適な学習パラメータが表示されています。以下をご覧ください。そこで、この知識を広めるために、足場の学習パラメータまで含めた全結果をファイルにまとめて添付します。でも、インプットはなし。私のデータからの入力が選択されています。これはちょっと秘密にしておきます。実験のフルコードかどうかは、よく考えてからにします。このマシンのMTとの連携は、すでにかなり効果が出ているようなので、これからやってみたいと思っています。アレクセイpipsでの利益総額は指標ではありません。この利益の合計と、それが得られた履歴の小節数 との比率が、指標となる品質要素である。昔から言っていることですが、モデルの最適化や推定にしか使いません。 努力は結果を生む。グッドラック СанСаныч Фоменко 2016.06.08 17:39 #106 ウラジミール・ペレヴェンコpipsでの利益総額は指標ではありません。この利益の合計と、それが得られた歴史の小節数 との比率が、指標となる品質要素である。昔から言っていることですが、モデルの最適化、推定にしか使いません。 ハードワークで結果を出す。グッドラック私が思うに、一方が他方を排除することはありません。アレクセイは、すべての分類予測評価における明らかな欠点を克服しました。正しい1ピップバーの予測の価値と10ピップバーの予測の価値は全く異なることは明らかです。アレクセイさん、おめでとうございます。 Alexey Burnakov 2016.06.08 18:07 #107 ウラジミール・ペレヴェンコpipsでの利益総額は指標ではありません。この利益合計と、それが得られた履歴の小節数 との比が、品質係数であり、これが指標となる。私は以前から、モデルの最適化と推定にのみ使用すると言っています。 努力は結果を生む。グッドラック説明しよう。12時間先（正確には724分先）の予報。取引回数は各検証サンプルで5000回以上です。結果は、49個の検証用サンプルの平均値です。各サンプル内の取引は約12時間単位で発生しており、つまり、明らかな依存関係はなく、結果の重複もありません。取引シミュレーションのグラフは、また後日掲載します。結果が良すぎるのです。しかし、今のところすべて確定しています。 Alexey Burnakov 2016.06.08 19:03 #108 私の実験の最終データです。49の検証サンプルに対する学習済みマシンからの売買シグナルのシミュレーション（単位：pips）。49サンプルの取引結果（pips単位）の分布。そして、各検証サンプルの平均（中央値）MOとゼロとの間に有意差があることの仮説検定を行う。 検証用サンプル シャピロ検定 正規性 p値 検定p値 平均値 中央値 平均距離上限99%テール 平均距離下限99%テール 1 1.11E-65 0 0.000139 0.000095 0.000146 0.000133 2 8.55E-64 0 0.000139 0.000096 0.000145 0.000133 3 8.24E-63 0 0.000137 0.000096 0.000143 0.000131 4 3.31E-66 0 0.000139 0.000095 0.000146 0.000133 5 4.64E-66 0 0.000142 0.000097 0.000149 0.000136 6 7.08E-63 0 0.000141 0.000097 0.000147 0.000135 7 8.72E-65 0 0.000135 0.000096 0.000141 0.000129 8 4.52E-65 0 0.000139 0.000096 0.000145 0.000132 9 4.31E-64 0 0.000143 0.000102 0.000149 0.000137 10 4.53E-66 0 0.000141 0.000099 0.000147 0.000134 11 8.97E-67 0 0.000143 0.000098 0.000149 0.000136 12 2.21E-63 0 0.000139 0.000102 0.000145 0.000133 13 1.16E-63 0 0.000142 0.000099 0.000148 0.000135 14 7.82E-64 0 0.000138 0.000097 0.000144 0.000132 15 1.41E-65 0 0.000146 0.000103 0.000152 0.000140 16 8.17E-63 0 0.000135 0.000097 0.000140 0.000129 17 6.54E-65 0 0.000143 0.000099 0.000149 0.000136 18 6.70E-66 0 0.000138 0.000096 0.000144 0.000132 19 1.86E-65 0 0.000143 0.000099 0.000149 0.000136 20 1.79E-66 0 0.000142 0.000098 0.000148 0.000135 21 2.37E-62 0 0.000136 0.000099 0.000142 0.000131 22 5.51E-65 0 0.000141 0.000100 0.000147 0.000135 23 7.15E-67 0 0.000142 0.000097 0.000149 0.000136 24 1.06E-65 0 0.000144 0.000102 0.000150 0.000137 25 4.01E-65 0 0.000147 0.000101 0.000153 0.000140 26 2.33E-64 0 0.000141 0.000098 0.000147 0.000135 27 7.85E-65 0 0.000141 0.000100 0.000147 0.000134 28 2.07E-64 0 0.000141 0.000098 0.000147 0.000134 29 2.01E-63 0 0.000140 0.000098 0.000146 0.000134 30 2.77E-64 0 0.000139 0.000098 0.000145 0.000133 31 1.43E-66 0 0.000145 0.000098 0.000151 0.000138 32 1.08E-65 0 0.000141 0.000098 0.000147 0.000134 33 3.47E-62 0 0.000136 0.000099 0.000141 0.000130 34 6.04E-67 0 0.000140 0.000096 0.000147 0.000134 35 2.32E-65 0 0.000145 0.000100 0.000152 0.000139 36 6.39E-65 0 0.000143 0.000098 0.000149 0.000137 37 1.10E-61 0 0.000141 0.000103 0.000147 0.000135 38 6.74E-63 0 0.000142 0.000100 0.000148 0.000136 39 2.54E-64 0 0.000141 0.000098 0.000147 0.000135 40 2.45E-64 0 0.000139 0.000098 0.000145 0.000133 41 6.25E-66 0 0.000141 0.000099 0.000148 0.000135 42 3.99E-66 0 0.000141 0.000097 0.000147 0.000135 43 1.35E-66 0 0.000142 0.000098 0.000148 0.000135 44 1.01E-63 0 0.000134 0.000097 0.000140 0.000128 45 1.56E-64 0 0.000139 0.000097 0.000145 0.000133 46 3.11E-66 0 0.000145 0.000103 0.000152 0.000139 47 6.11E-66 0 0.000138 0.000099 0.000144 0.000131 48 2.99E-66 0 0.000146 0.000101 0.000152 0.000139 49 1.84E-63 0 0.000138 0.000098 0.000144 0.000131 サンプル内の分布は正規分布ではありません。Wilcoxon 検定により、MO はゼロから有意に異なることが示された。ところで、検証用サンプルの最後の3/5部分で点数総和曲線の成長パターンが変化しているのは説明可能である。サンプル内の5つの専攻の観測数はほぼ同じで、次のような順番で観測しています。dat_eurusd dat_audusd dat_gbpusd dat_usdcad dat_usdchf 最近の3つのペアはボラティリティが高く、スプレッドも高いことは確かです（20ピップではなく25～30ピップを取るべきでしょう）。したがって、彼らの総成績と推測される方向の割合がより良い。しかし、スプレッドを増やして入力しても、いずれにせよ統計は無効となる。ただ、現状を把握するため。PM テストの操作ログ - アルゴリズム取引、自動売買ロボット Alexey Burnakov 2016.06.09 18:25 #109 サンサニッチ・フォメンコ私が思うに、一方が他方を排除することはないのです。アレクセイは、すべての分類予測評価の明らかな欠点を克服しました。明らかに、1ピップバーの正しい予測の価値と10ピップバーの予測の価値は全く異なります。アレクセイさん、おめでとうございます。 SanSanychさん、ありがとうございます。すべてがうまくいっている。手始めにMT4で動かしてみようと思います。 Alexey Burnakov 2016.06.13 04:43 #110 警告コードにバグを発見し、素晴らしい結果をもたらした。詳細な分析が終わるまで、私の最適化はすべてキャンセルされるのです アロムに関連して、MT4でExpert Advisorを作りました。その結果、いくつかの違いが見られたので、詳細なコードレビューを行ったところ、粗いエラーが見つかりました。まだ儲かるものは見つかっていません。実験は続く。 1...456789101112131415161718...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
それは面白いアイデアですね。 私もEAを動かしています。バージョンアップの方法を考えてみようかな。しかし、具体的に何を改善すればいいのか、私にはよくわかりません。機械に何を教える必要があるのですか？
Expert Advisorは、ポジションの開始と終了に 厳格なロジックを採用しています。機械学習では、少し違った方法で判断される。
つまり、具体的に何をするのかがよくわからないのです。
ここで、上の私の投稿から見ることができます。
高い鉄棒から大まかな方向性を掴んでいます。しかし、時間をよく見てみると、特に下のバーにはとんでもないタイムラグがあるのです。つまり、D1だけどM5でトレードする場合、ほぼ一昨日のデータを方向性に持っていくことが判明しました。30%の誤差でD1が一歩前進すると予測しても、Expert Advisorの収益性は根本的に改善され、何よりも売り切れることはないという確信が強まりました。
私の場合、指標のラグ付きデータを使って、適切なR-predictionを行うつもりです。
ここで、上記の私の投稿をメモしておきます。
大まかな方向性は、高さのある鉄棒から。しかし、時間をよく見てみると、特に下のバーにはとんでもないタイムラグがあるのです。つまり、D1だけどM5でトレードする場合、ほぼ一昨日のデータを方向性に持っていくことが判明しました。30%の誤差でD1が一歩前進すると予測しても、Expert Advisorの収益性は根本的に改善され、何よりも売り切れることはないという確信が強まりました。
私の場合は、指標から得られるラグデータをRの対応する予測に使用するという方法を取っています。
ストレートにビッグニュースがあります。
出張中、夕方になると、自分のデータでラーニングマシンを走らせました。様々なアプローチの組み合わせを試したそして、石の花が出てきたような......いきなりです。
そこで、引用したリンク先のデータを使って、すでにブログで紹介されているようなことを試しながら、どんどんトレーニングを走らせています。でも、もう2つほど仕掛けを追加しました。例えば、抽象的な推測精度よりも、クロスバリデーションでより利益が出るような学習パラメータを選択しました。
もちろん、そのためにフィットネス関数を書かなければならない。
グラフには、予測期間と学習パラメータを変えた場合の、TrainingとValidationの期待値のペアが示されている。また、「グレーゾーン」、つまり何も起こらない予測空間という考え方も使いました。
ご覧のように、トレーニングではかなりまともなMO値が得られ、検証では相関のある値が得られましたなお、このシミュレーションでは、0.00020（20ピック）のスプレッドを使用しています。
また、スプレッドを含めた総取引額も計算しました。価値観もとても素敵です。最大利益は、取引回数と取引手口の一定の比率で達成され、これらはすべて12時間の計画水平線で行われます。グラフには、すべての計画水平線、すべてのグレーゾーン値、およびモデルの最適な学習パラメータが表示されています。以下をご覧ください。
そこで、この知識を広めるために、足場の学習パラメータまで含めた全結果をファイルにまとめて添付します。でも、インプットはなし。私のデータからの入力が選択されています。これはちょっと秘密にしておきます。実験のフルコードかどうかは、よく考えてからにします。このマシンのMTとの連携は、すでにかなり効果が出ているようなので、これからやってみたいと思っています。
アレクセイ
ストレートにビッグニュースがあります。
出張中、夕方になると、自分のデータでラーニングマシンを走らせました。様々なアプローチの組み合わせを試したそして、石の花が出てきたような......いきなりです。
とにかく、私があげたリンク先のデータで、私のブログですでに紹介されているようなことを試しながら、何度も何度もトレーニングを行いました。でも、もう2つほど仕掛けを追加しました。例えば、推測の抽象的な精度ではなく、クロスバリデーションでより利益が出るような学習パラメータを選択することです。
もちろん、そのためにフィットネス関数を書かなければならない。
グラフには、予測期間と学習パラメータを変えた場合の、TrainingとValidationの期待値のペアが示されている。また、「グレーゾーン」、つまり何も起こらない予測空間という考え方も使いました。
ご覧のように、トレーニングではかなりまともなMO値が得られ、検証では相関のある値が得られましたなお、このシミュレーションでは、0.00020（20ピック）のスプレッドを使用しています。
また、スプレッドを含めた総取引額も計算しました。価値観もとても素敵です。最大利益は、取引回数と取引手口の一定の比率で達成され、これらはすべて12時間の計画水平線で行われます。グラフには、すべての計画水平線、すべてのグレーゾーン値、およびモデルの最適な学習パラメータが表示されています。以下をご覧ください。
そこで、この知識を広めるために、足場の学習パラメータまで含めた全結果をファイルにまとめて添付します。でも、インプットはなし。私のデータからの入力が選択されています。これはちょっと秘密にしておきます。実験のフルコードかどうかは、よく考えてからにします。このマシンのMTとの連携は、すでにかなり効果が出ているようなので、これからやってみたいと思っています。
アレクセイ
pipsでの利益総額は指標ではありません。この利益の合計と、それが得られた履歴の小節数 との比率が、指標となる品質要素である。昔から言っていることですが、モデルの最適化や推定にしか使いません。
努力は結果を生む。
グッドラック
pipsでの利益総額は指標ではありません。この利益の合計と、それが得られた歴史の小節数 との比率が、指標となる品質要素である。昔から言っていることですが、モデルの最適化、推定にしか使いません。
ハードワークで結果を出す。
グッドラック
私が思うに、一方が他方を排除することはありません。
アレクセイは、すべての分類予測評価における明らかな欠点を克服しました。正しい1ピップバーの予測の価値と10ピップバーの予測の価値は全く異なることは明らかです。
アレクセイさん、おめでとうございます。
pipsでの利益総額は指標ではありません。この利益合計と、それが得られた履歴の小節数 との比が、品質係数であり、これが指標となる。私は以前から、モデルの最適化と推定にのみ使用すると言っています。
努力は結果を生む。
グッドラック
説明しよう。
12時間先（正確には724分先）の予報。
取引回数は各検証サンプルで5000回以上です。結果は、49個の検証用サンプルの平均値です。各サンプル内の取引は約12時間単位で発生しており、つまり、明らかな依存関係はなく、結果の重複もありません。取引シミュレーションのグラフは、また後日掲載します。結果が良すぎるのです。しかし、今のところすべて確定しています。
私の実験の最終データです。
49の検証サンプルに対する学習済みマシンからの売買シグナルのシミュレーション（単位：pips）。
49サンプルの取引結果（pips単位）の分布。
そして、各検証サンプルの平均（中央値）MOとゼロとの間に有意差があることの仮説検定を行う。
サンプル内の分布は正規分布ではありません。Wilcoxon 検定により、MO はゼロから有意に異なることが示された。
ところで、検証用サンプルの最後の3/5部分で点数総和曲線の成長パターンが変化しているのは説明可能である。
サンプル内の5つの専攻の観測数はほぼ同じで、次のような順番で観測しています。
最近の3つのペアはボラティリティが高く、スプレッドも高いことは確かです（20ピップではなく25～30ピップを取るべきでしょう）。したがって、彼らの総成績と推測される方向の割合がより良い。しかし、スプレッドを増やして入力しても、いずれにせよ統計は無効となる。ただ、現状を把握するため。
PM
私が思うに、一方が他方を排除することはないのです。
アレクセイは、すべての分類予測評価の明らかな欠点を克服しました。明らかに、1ピップバーの正しい予測の価値と10ピップバーの予測の価値は全く異なります。
アレクセイさん、おめでとうございます。
警告コードにバグを発見し、素晴らしい結果をもたらした。詳細な分析が終わるまで、私の最適化はすべてキャンセルされるのです