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 1188 1...118111821183118411851186118711881189119011911192119311941195...3399 新しいコメント Yuriy Asaulenko 2018.12.05 14:42 #11871 ドミトリー・スクーブ 由利さん、話がそれてしまいましたが、ここでのキーワードは「フォーク」です。MOとは関係ない)確かにアウトオブタッチですね。でも、面白いテーマですよね。抽象的な表現です。 Evgeny Belyaev 2018.12.05 15:02 #11872 ユーリイ・アサウレンコ自動化は、そこそこ簡単ではないと、イマドキは思います。私が理解する限り、典型的なソリューションでは難しいですね。 思いつくのは、何百とあるチームや選手に関するDB、両方です))。異なるブックメーカー1チームは異なって呼び出されることがあります：オリンピック、マルセイユ+ラテン語で、少なくとも4つのバリアント。接頭辞が異なる FK - フットボールクラブ、PFC - プロフェッショナルフットボールクラブ。 フォークの自動化はめんどくさい。 Maxim Dmitrievsky 2018.12.05 15:31 #11873 mytarmailS:RL to Rの例 http://dataaspirant.com/2018/02/05/reinforcement-learning-r/というのは、ちょっと単純すぎますね。実は、RLのポイントはパッケージですらなく、アプローチ、つまりオーバーシュートなのです。遺伝子の代わりにNS型近似器を通して使用する 主な問題は、正しい分布からサンプルを採取することです。 mytarmailS 2018.12.05 15:43 #11874 マキシム・ドミトリエフスキーシンプルすぎるのです。実は、RLのポイントはパッケージですらなく、アプローチ、つまりオーバーシュートなのです。遺伝子の代わりにNS型近似器を通して使用する 主な問題は、正しい分布からサンプルを採取することです。まあ、シンプルな例は複雑である必要はないので、ある意味普通ですし、すでに既成のパッケージがあることも良いのですが...。その簡単な例さえも理解できない(( なぜ行列に確率が必要なのか、その確率はどのように計算されるのか、理解できない。 Maxim Dmitrievsky 2018.12.05 15:45 #11875 mytarmailS:まあ、シンプルな例は複雑であってはいけないので、ある意味普通ですし、すでに既製のパッケージがあるのも良いのですが...。その簡単な例さえも理解できない(( なぜ行列に確率が必要なのか、そしてその確率はどのように計算されるのかが理解できない状態遷移の確率、マルコフ連鎖かかく 行列をすべての可能な状態で満たし、そこから現在の状態を選択して信号を見る...これはテーブル・プリミティブです :) mytarmailS 2018.12.05 15:47 #11876 マキシム・ドミトリエフスキー状態遷移の確率、マルコフ連鎖まあ、それはわかったけど...。 コードにおける役割がわからない Maxim Dmitrievsky 2018.12.05 15:48 #11877 mytarmailS:了解です...。 コードの中での役割がわからない。役割とは？ 状態遷移と確率の表です mytarmailS 2018.12.05 15:55 #11878 マキシム・ドミトリエフスキー役割ってなんだ？ 状態遷移と確率の表だ。遷移の確率はどこから来るのか、左、右、上、下の4方向がありますね。アルゴリズムは、正しい方向の組み合わせで「どこか」への道を見つけなければならない。アルゴリズムが正しい確率の組み合わせを探し始める前から、遷移確率の行列を作成していたのですが、この確率はどこから得ていたのでしょうか？ 私は非常に頭が悪いのでしょうが、それでも、差し支えなければ、説明していただけませんか？ Maxim Dmitrievsky 2018.12.05 16:12 #11879 mytarmailS:遷移の確率がどこから来るのかがわからない、左、右、上、下の4方向がある。アルゴリズムは、正しい方向の組み合わせで「どこか」への道を見つけなければならない。アルゴリズムが正しい確率の組み合わせを探し始める前から、遷移確率の行列を作成していたのですが、この確率はどこから得ていたのでしょうか？ 私が馬鹿なだけかもしれませんが、それでもよろしければご説明をお願いします。Rではなく、ネットだけで基本を読む。 最初はランダムに確率が選ばれ、反復の間、主にTD-methodによって更新され、最終的に最適に収束する。そのために、状態の行列（値行列）と遷移の行列（方針行列）を指定する。すなわち、各状態（ある部屋にいる）に対して、他の部屋への遷移とその確率が複数存在することができる。各行動の後、数値報酬（良い・悪い）が返される。 この方法の本質は報酬を最大化することであり、すなわちエージェントは間違った遷移にはペナルティを受け、正しい遷移には報酬を受けることになる Aleksey Nikolayev 2018.12.06 16:19 #11880 マキシム・ドミトリエフスキー情報量規準（ベイズ、赤池）については、このスレッドに何も書かれていませんでした。もしかしたら、（適用されたMoDパッケージで）デフォルトで使用されているのでは？ 1...118111821183118411851186118711881189119011911192119311941195...3399 新しいコメント 理由: キャンセル 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
由利さん、話がそれてしまいましたが、ここでのキーワードは「フォーク」です。MOとは関係ない)
確かにアウトオブタッチですね。でも、面白いテーマですよね。抽象的な表現です。
自動化は、そこそこ簡単ではないと、イマドキは思います。私が理解する限り、典型的なソリューションでは難しいですね。
思いつくのは、何百とあるチームや選手に関するDB、両方です))。
異なるブックメーカー1チームは異なって呼び出されることがあります：オリンピック、マルセイユ+ラテン語で、少なくとも4つのバリアント。接頭辞が異なる FK - フットボールクラブ、PFC - プロフェッショナルフットボールクラブ。
フォークの自動化はめんどくさい。
RL to Rの例
http://dataaspirant.com/2018/02/05/reinforcement-learning-r/
というのは、ちょっと単純すぎますね。
実は、RLのポイントはパッケージですらなく、アプローチ、つまりオーバーシュートなのです。遺伝子の代わりにNS型近似器を通して使用する
主な問題は、正しい分布からサンプルを採取することです。
シンプルすぎるのです。
実は、RLのポイントはパッケージですらなく、アプローチ、つまりオーバーシュートなのです。遺伝子の代わりにNS型近似器を通して使用する
主な問題は、正しい分布からサンプルを採取することです。
まあ、シンプルな例は複雑である必要はないので、ある意味普通ですし、すでに既成のパッケージがあることも良いのですが...。その簡単な例さえも理解できない(( なぜ行列に確率が必要なのか、その確率はどのように計算されるのか、理解できない。
まあ、シンプルな例は複雑であってはいけないので、ある意味普通ですし、すでに既製のパッケージがあるのも良いのですが...。その簡単な例さえも理解できない(( なぜ行列に確率が必要なのか、そしてその確率はどのように計算されるのかが理解できない
状態遷移の確率、マルコフ連鎖
かかく
行列をすべての可能な状態で満たし、そこから現在の状態を選択して信号を見る...これはテーブル・プリミティブです :)
状態遷移の確率、マルコフ連鎖
まあ、それはわかったけど...。
コードにおける役割がわからない
了解です...。
コードの中での役割がわからない。
役割とは？ 状態遷移と確率の表です
役割ってなんだ？ 状態遷移と確率の表だ。
遷移の確率はどこから来るのか、左、右、上、下の4方向がありますね。アルゴリズムは、正しい方向の組み合わせで「どこか」への道を見つけなければならない。アルゴリズムが正しい確率の組み合わせを探し始める前から、遷移確率の行列を作成していたのですが、この確率はどこから得ていたのでしょうか？
私は非常に頭が悪いのでしょうが、それでも、差し支えなければ、説明していただけませんか？
遷移の確率がどこから来るのかがわからない、左、右、上、下の4方向がある。アルゴリズムは、正しい方向の組み合わせで「どこか」への道を見つけなければならない。アルゴリズムが正しい確率の組み合わせを探し始める前から、遷移確率の行列を作成していたのですが、この確率はどこから得ていたのでしょうか？
私が馬鹿なだけかもしれませんが、それでもよろしければご説明をお願いします。
Rではなく、ネットだけで基本を読む。
最初はランダムに確率が選ばれ、反復の間、主にTD-methodによって更新され、最終的に最適に収束する。そのために、状態の行列（値行列）と遷移の行列（方針行列）を指定する。すなわち、各状態（ある部屋にいる）に対して、他の部屋への遷移とその確率が複数存在することができる。各行動の後、数値報酬（良い・悪い）が返される。 この方法の本質は報酬を最大化することであり、すなわちエージェントは間違った遷移にはペナルティを受け、正しい遷移には報酬を受けることになる
情報量規準（ベイズ、赤池）については、このスレッドに何も書かれていませんでした。もしかしたら、（適用されたMoDパッケージで）デフォルトで使用されているのでは？