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 1250

新しいコメント
 
ファルハット・グザイロフ

じぇじぇじぇ、手作業でやることは全部ニューラルネットワークでやるべきだが、このやり方では......。時間の無駄であり、結果がネガティブであれば、フラストレーションの海で、他の方法を探して物色することになります。

手動で行う方法は、すべて自動化されています。ただ、手動でコントロールする必要があるステージがあり、これは、そのステージで正確にどのように振る舞うべきかが不明確だからです。

そして、誰かが何かを借りているという事実、それはとても疑わしい...。

その結果は......未来が訪れるまで誰にもわからない......。

 
ヴィザード_。

最も可能性の高い、1と-1（またはそれらを記述するそれらの述語）からのラグは、"入力しない "ので、0を切る（またはすでに改善する）でしょう。
私はそのようなアプローチを一蹴し、2値分類（フリッピング）だけを使うようになりました。
の分類（フリップ）。異なるボラティリティの依存関係、影響を与えるか与えないか、などを見ていきます。
2値分類器を3つ作ったことになる。例えば、1つの「買い」だけを見ることができます。複雑すぎる...。

分足にトレンドシステムを入れているので、ただのバイナリーはすぐには使えません、フラットの時は柵があるので、そのまま反転しないようにしないといけないからです。理論的には、買う/売らない、売る/売らないを使い分けることは可能ですが、大きなサンプリングが必要ですし、すべてがうまくいくわけではありません。 ketbustでは、エントリーのためのシグナルとベクトル（買う/売る）を別々に選択しています - 何かが動いているようですが、まだ実験中で、確実に言うには時期尚早です。もちろん、2進数の記号を3つ作ることもできますが、このケースを1つのデザインにまとめるという意味では、簡単ではないでしょう......。

もちろんボラティリティは結果に影響しますが、ただ急上昇で稼ぐことができ、問題はその規模です。
 
ヴィザード_。

理解すること、研究すること、結論は逆信号にも適用される。
結果ではなく、予測変数の配置（選択）にどのような影響を与えるのか...。

わかったふりはしないので、言いたいことを拡大してください。

 
サンサニッチ・フォメンコ

いいえ。

mcl4でファイナライズされたJMAを期間適応という意味でずっと使ってきましたが、あまり意味がないですね、他のものと同じようにフェードアウトしてしまうので。時折、手動で介入しなければならないこともありました。

フィルターに関することなら、不思議なほどスムーズなパッケージがあります。滑らかな内部は、状態空間を持つカルマンに座っています。非常に質の高いマッシュアップを提供し、数ステップ先の外挿（予測）も可能です。

ジュリッチは完全にクソ
一方、Kalmanはスレーブ化が必要な場合があります。しかし、私たちの場合、カルマンが、マシュケーを超えることはないだろうと思います。
 
ユーリイ・アサウレンコ
ジュルリッチは完全にデタラメ。
一方、カルマンも、おそらく作るべきでしょう。でも、私たちの場合、カルマンもMAと変わらないようです。

何がデタラメで、何がデタラメでないかは未知数です。

我々は、特定のターゲット変数に対する特定の予測因子の予測能力を見る必要があります。さらに、窓の動きによる可変性も魅力です。

 
アレクセイ・ヴャジミキン

まあ、マニュアルのように、すべてが自動化されているわけではなく、マニュアルで制御しなければならない段階があるだけで、それについては具体的にどう振舞えばいいのかが不明確なためです。

そして、誰かが何かを借りているという事実、それはとても疑わしい...。

そしてその結果は......未来が来るまで誰にもわからない......。

上記のコードに基づき、ある条件下でのアクションの明確なアルゴリズムを持っています。この場合、入力データと希望する結果があれば、neuronetが助けてくれますが、市場が再び変化する傾向がある場合は、手動でコードを変更する必要があります。

どうするかはあなた次第ですが、私ならやはり訓練されたニューロネットを接続して処理します。

 
既知と未知についてですが、そのように考えるなら、出来事もどう展開するかわかりません。ここで、あなたや他の人が下す判断は確率の問題です。つまり、判断の結果は半々であると考えなければなりません。その場合、あなたとニューラルネットのどちらがそれを支配するかは問題ではありません。
 
ヴィザード_。

オックスによって予測因子の重みが変わるのか。洗練されたフィット感がありそうですね。
キャットウォークにもマルチクラスリングがありますしね。クロスバリデーションで実行し、ファールなどに誤差がないか確認する。
バカには効くかもしれないが...。そして、その努力は本当に必要ないものなのか...。

重量とボラティリティをどのように測定するのか？実験は嫌いじゃないんです。

マルチクラスはありますが、バイナリコード以外にはモデルのオフロードはありません。

catbustのエポックでは、予測変数のセット（一部削除 - 512個の組み合わせ）とルート予測変数の選択（200個）のランダムな重みを実験しています - これはすでに100kモデルで、このようなパーティションが2つあります。たしかに、この中には面白いモデルもあるし、完全にプラム（テストや学習可能なサンプルでは利益が出るが、独立したサンプルではプラムかゼロに近い）なものもあるが、それが継続して機能する保証もない。現在（2018.12.22）、新しいモデル作成を開始しましたが、予測変数はすべてカテゴリーとマークしています、これはもともと私の考えです（多くはすでに不規則な間隔にカットされて整数値に変換されているので）、新年には処理を終える予定です-違いがあるかどうか、本編では非カテゴリー特徴を持つモデルが1日半で準備されました、ここでは少なくとも10日...。

フィットしているかどうか......難しいですね。昨日、私は「ボリューム（葉の数）によって、多くのバリエーションや組み合わせを一度に記憶できるモデルをフィットしていると考えたい」と書きましたが、私のモデルは100葉を超えない程度です......」と。もちろん、私の主な問題はデータ不足です。私はSiインストルメントに取り組んでおり、EURUSD先物を追加しようと考えていますが、予測変数の検証が必要です。

 
ファルハット・グザイロフ

上記のコードを元に、ある条件下でのアクションを明確にアルゴリズム化したもので、その場合、入力データと希望する結果があれば、ニューラルネットワークが役立ちますが、そうでなければ、市場のトレンドが転換したときに、常に手動でコードを変更することになります。

どうするかはあなた次第ですが、私ならやはりこのプロセスにニューラルネットワーク（学習済みのもの）をつなぎますね。

エントリーポイントがあるのに、入るか入らないかわからない、それがMOの仕事です。

先ほども言いましたが、大量（300～500個）の入力ニューロンを吸収できる高速なニューラルネットワークを知らないので......」。しかし、すでに選択された葉を、たとえばニューラルネットワークや樹木に再び与えるのは......。

コードの変更については理解できません。なぜそうしなければならないのでしょうか。5年前からトレンドが変わっていないとでも思っているのでしょうか。
 
ヴィザード_。

何も提案しているわけではなく、自分ならどうするかを書いただけです。そして、得られた3つのクラスは、ただツに刺さってしまうだけ...。

どのように入れるのですか？そうすると、pythonやRとの間に何らかの橋渡しをしなければなりませんが、それは私にとっては暗い森です。

1...124312441245124612471248124912501251125212531254125512561257...3399
新しいコメント