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 125

[Andrey Dik]

アレクセイ・ブルナコフ

戦略のパフォーマンスを履歴で評価するのか、それともロングフォワードがあるのか？地獄は歴史上の評価であり得る。

勢いでエントリー、条件次第でORで エグジット。原理的には、なんとなくうまくいくのです。しかし、ピーク時にエントリーして、ドローダウンから抜け出すのに1年待つとなると......。

FXで確認しています。もし、ピーク時に入ったのなら......そのためのSLがあるのです。

[mytarmailS]

アンドレイ・ディク

詳細：現在のバーで買いシグナル、買いのように、前方の最少数のバーをカウントダウン......。

あと、どうやったら滑らかになるかというのは、100ページくらい前にも似たようなバージョンでお伝えしましたが、もっと抽象的なレベルの話です......。

どこでエントリーし、どこでエグジットするのか、どのようにトレードすればよいのかがわからないのです。

だから、我々が発明したもの（トレンド、ZZ、ローソク足の色、リバウンド）は、市場の動きを表現するためのナンセンスなものであり、主観主義そのものである。

ローソク足の色を使う人、zzを使う人、個人的にはzzのリバウンドを使う人など、みんなが自分の方向性を決めて、みんなで掘っているのです。本質的にはみんな同じことをしているし、結果も同じなのですが、すべてが主観的で、それが私たちを分けているのです。

私たち全員を束ね、主観的にならないもの、つまり、欲望という形で対象をとらえることを提案します。

"min "を獲得するアルゴリズムが欲しい。最大ドローダウンで週5％。2%"

ノーマルターゲット？みんな好きで、似合うんでしょ？そして、すべてがクリアになる...

GZなどの主観的な目標ではなく、利益やドローダウン、シャープレシオやPV、あるいはそれらの組み合わせで、ある最小値や最大値を探すようにネットをトレーニングする必要があるのです。

トレードの仕方はともかく、毎週、ドローダウン2%までで+5%は欲しいところ......。ネットワーク自身にトレードさせて、トレンドかリバーサルかを判断する。実のところ、私たちが興味があるのは、利益とドローダウンだけで、それをコントロールするのは、トレードのやり方がわからないから、手を出す必要はない...ということです。

どうすればいいのか...

すでにゲームをするために私たちを教えるネットワークがあり、特にスーパーマリオhttp://gekkoquant.com/2016/03/13/evolving-neural-networks-through-augmenting-topologies-part-1-of-4/、 私は同じようにネットワークを教えることを提案し、例えを使用してみましょう...

1）唾を吐くカメ、パイプの形をした障害物、飛び越える必要のある箱など、環境はある。

2）アクションとは、ネットワークがマリオを操作するために押す、ジョイスティックのボタンのことです。

3) ポイントがある - ネットワークへの報酬

4）ペナルティがある - マリオの死

環境（1）に入ると、ネットはジョイスティックのボタンを押し始め（2）、何千回も繰り返して、死なずに適度な点数（3）を取ってレベルをクリアすることを学習します（4）。

トレーディングに例えるなら

1) 環境がある - ネットワークにデータを受信する - 予測器

2) アクションがある - 買う/売る/何もしない

3）ポイントがある-利益を受け取った

4）ペナルティがある-ドローダウンが得られる

[Dr. Trader]

mytarmailS:

GZなどの主観的な目標ではなく、利益やドローダウン、シャープレシオ、PVなどの最小値や最大値、あるいはそれらの組み合わせでネットワークを構築する必要があります。

そうですね、選ばれたターゲットは主観的で理不尽です。rneatパッケージで取引モデルを作ってみたところ、履歴で少しは取引を学習するものの、やはり新しいデータでは正しく予測することができませんでした。

ただ、1つだけ非常に重要な違いがあって、これらのゲームでの実験では、それぞれのゲームに対して何万回とモデルの学習を行っています。そして、その結果は、まさにこれらのゲームをプレイすることで推定される、いわば学習のためのデータに対する評価です。Forexの場合、データに対する性能が良いだけでは学習が不十分で、新しいデータでもモデルが動作する必要があり、このようなアルゴリズムには大きな問題があるようです。

[mytarmailS]

Dr.トレーダー

1)確かに、選ばれたターゲットは主観的で理不尽ですね。rneatパッケージでトレーディングモデルを作ってみたところ、履歴で少しは学習するのですが、それでも新しいデータに対して正しく予測することはできませんでした。

2）FXでは、学習データでの性能が良いだけでは不十分で、新しいデータでもモデルが動作する必要があり、このようなアルゴリズムには大きな問題であるようです。

1) どう言えばいいのかわかりませんが、あなたの実験では、ネットワークに考えさせず、目標を設定して取引させませんでした。したがって、あなたはネットワークを非常に単純なモデルにしてしまいました。

私は、取引をさせ、自分で結論を出させるように言いました。

私たちのコントロールは利益とドローダウンだけです...彼女は自分でやるんです...

2) そう、これはどんなアルゴリズムにとっても問題である。しかし、もしネットワークが、我々の主観を排除して、我々のターゲットなしで、うまく取引できるように訓練すれば、新しいデータをより客観的に認識できる可能性がある。そして、我々は、我々のターゲットを持つアルゴリズムが新しいデータをどのように認識するかをすでに知っている。

[Alexey Burnakov]

アンドレイ・ディク
フォワードで確認中です。ピーク時にエントリーした場合、そのためのSLがあります。

SLがある。

[Alexey Burnakov]

Dr.Trader（ドクタートレーダー）

暗黙の了解とはいえ、むしろ皆に分かりやすくするために付け加えたいと思います。

通常、モデルの過学習は、モデルが学習例を非常に正確に記憶する効果がある。学習は、モデルが予測変数の目標値依存性という一般的なルールを導き出すことから始まるが、学習が進めば進むほど、モデル内のこれらのルールは厳しくなり、最終的には完全に例を記憶してしまい、新しいデータに対する予測は全くできない状態になる。これはクロスバリデーションによって処理され、モデルがある程度汎化されたルールを学習したが、まだ具体例の学習を開始していない段階で学習を停止することで、新しいデータに対してより良い予測性能を発揮することができる。

これは、例えば画像認識や音声認識など、時間と共に依存関係が一定になるようなデータで効果を発揮する。しかし、FXは、発見された依存関係の多くが時間経過とともに持続しないという点で異なります。問題は、学習例を記憶させずに学習を実現することだけでなく、発見したパターンを何とかして未来に残そうとすることである。

いいこと言うね。絵、音の認識は、サンプルが代表的で、対照サンプルの絵の描き方が左利きの脳性まひ患者に与えられていなければ、疑似定常過程となる（大雑把で、すみません）。

課題はより完全です：予測変数とターゲット変数の間の関係が一定で、新しいデータ上でも存在することを保証するターゲット変数に関する予測変数の推定方法を開発することです。

時間的な持続性に基づく予測変数に対する重要性によって予測変数を選択する ことは、単一の大きなサンプルで予測変数を探すこととほとんど同じである。つまり、いくつかの連続したサンプルで、すべてのプロットで同じようにうまくいく予測因子を選択すれば、それらのプロットに対して素直にフィットするのです。

要するに，N個の予測変数のうち，（利用可能なすべてのサンプルについて）全面的に良好なパフォーマンスを示すn個が選択されます．フィッティング、次はどうする？そして、本当の意味での前進が訪れ、その上で急降下を観察することができます。その理由は何でしょうか。

その理由は、K区画での予測変数の選択方法が、M区画で同質の結果を生成するためにテストされなかったからである。言い換えれば、選択された予測変数の各サブセットは、KとMで相関のある結果を生成しなければならない。

私は、そのような予測因子と、標本外学習をしないにもかかわらず非常にうまくプロットを横断する対応するモデルを選択することができます。実はこのモデル、全サンプルを接着した方が学習効果が高いのですが、この接着をなんとなく手作業でやっているんです。

学習と検証の際に、左の図のようにモデルが動作するように予測変数を選択する方法を見つける必要があります。

そして、その時初めて、そのモデルは標本外テストに合格したと言えるのです。一部のモデル（予測因子）がサンプル外れを起こすというだけではありません。

[Alexey Burnakov]

サンサニッチ・フォメンコ

アレクセイの立場が全く分からないので、ここでは二人だけのようです。

なぜ自分の立場が複雑になるのか、理解できない。サンプル内とサンプル外のモデルの性能に相関が見られない場合は、ロバストなモデルを作っているとは言えないと、私はすでに述べています。理解できないか、やったことがないかのどちらかです。

私は、モデルがどこでもうまくいくように予測因子、つまりモデルのパラメータを適合させれば、それは単なるfineのことだと言っているのです。オーバーフィッティングから保護されていても、モデルがオーバーフィッティングしてしまう。

[mytarmailS]

アレクセイ・ブルナコフ

その理由は、サイトKでの予測変数の選択方法が、サイトMで同質の結果を生成するために検証されていないためである。言い換えれば、選択された予測変数の各サブセットは、KとMについて相関のある結果をもたらすはずである。

何をどう関連付けるか？私もよくわからないのですが...。

アレクセイ・ブルナコフ

理解できないか、やったことがないかのどちらかです。

ここでは、あなた以外誰もやっていないと思います)

[СанСаныч Фоменко]

Alexey Burnakov：

私の立場が複雑になる理由がわからない。サンプル内とサンプル外のモデルの性能に相関が見られない場合は、ロバストなモデルを作っているとは言えないと、私はすでに言っています。理解できないか、やったことがないかのどちらかだ。

私は、モデルがどこでもうまくいくように予測因子、つまりモデルのパラメータを適合させれば、それは単なるfineのことだと言っているのです。オーバーフィッティングから保護されていても、モデルがオーバーフィッティングしてしまう。

思い出した～すでに話題になってますが、すみません、忘れてました。

複雑なツールよりもシンプルなツールの方が常に望ましいのです。

私は次のような方式を採用しています。

1.ターゲット変数を定式化する

2.目的変数に直感的に関連する予測変数のセットを考案する。

3.このアルゴリズムを使って、形式的な理由でノイズと判断された予測因子を選別します。これだと、だいたい元の数字の15〜20％くらいが作りかけのままになってしまうんです。

4.10000本以上の大きなファイルを作成する。

5.このファイルは2つに分けています。7000 и 3000

6.7000では、モデルを教え、テストと検証を行います。

7.3つの数値がほぼ同じならステップ8、そうでなければステップ1に戻る。

8.学習させたモデルは実際に使用する。私は、現在のウィンドウでアルゴリズム（私はrfeを使用しています）の1つによって予測子を選択 します。H1用の出力でこの選択をしています。モデルを学習したセットからRfe、現在のウィンドウの5つ以上の予測変数から選択します。予測変数のリストは常に変化していますが、最初のトレーニングで得たセットから抜粋しています。

全体のスキームは、昨年の秋からリアルでがっつり動いています。しかし、1つだけ本質的なことがあります。それは、これはEAの一部に過ぎないということです。以前、私のTA上のEAは半年も生きなかった。今はこの問題はないですね。

[Andrey Dik]

mytarmailS:

また、どうすれば滑らかになるのか、同様の選択肢を100ページほど前に声にしていますが、もっと抽象的なレベルです......。

トレードの仕方も、どこでエントリーしてどこでエグジットするのかも、全く分からない。

だから、我々が発明したもの（トレンド、ZZ、ローソク足の色、リバウンド）は、市場の動きを表現するためのナンセンスなもので、主観主義そのものなのです。

ローソク足の色を使う人、zzを使う人、個人的にはzzのリバウンドを使う人など、みんなが自分の方向性を決めて、みんなで掘っているのです。本質的にはみんな同じことをしているし、結果も同じなのですが、すべてが主観的で、それが私たちを分けているのです。

私たち全員を束ね、主観的にならないもの、つまり、欲望という形で対象をとらえることを提案します。

"min "を獲得するアルゴリズムが欲しい。最大ドローダウンで週5％。2%"

ノーマルターゲット？みんな好きで、似合うんでしょ？そして、すべてがクリアになる...

誤解されているようですね。zzなどのインジケーターではなく、ネットにエントリーする場所を指示しない。訓練されたネットは、自分で入る場所を選びます。