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 1329

 
ユーリイ・アサウレンコ

先生がいなくても同じことができる。これには何の違和感もない。

ニューロンの束が学習し、2、3個のif文で解決する問題を想像してみると...。NS脳はこのくだりで頭がいっぱいになり、美しいと思うどころか......))

先験的知識、内蔵された専門知識というのはわかるが、100%確実だからといって、モデルと照合することはないだろう

ランダムであるということと、その他いくつかの細かい信念以外、ランダムなプロセスについての知識はない
 
マキシム・ドミトリエフスキー

なるほど、先験的な知識、内蔵された専門家の判断ということですね。でも、100%の確信があるからこそ、モデルとのクロスチェックをしないのでしょう

はい、その通りです。それは事実上、公理である。なぜそれを確認するのか。我々は、ソリューションの一部を先験的に知っている - 我々は無駄に市場を瞑想していない)。

 
マキシム・ドミトリエフスキー

ここでもまた、異なるアプローチについて話しています

あなたは最初から教えるので先生と一緒ですが、私は先生なしで教えます。

覚えていますよ。もちろん、さまざまなアプローチで。これについても、(先生との)禁忌はないと思います。欲望があれば、もちろん出現すれば、すべてが実現可能です。

あなたは先生なしでRNNを持っていない限り、ここですべてがより複雑であり、ちょうど知らない、私は使用しませんでした。ちなみに、何を使っているのですか?と言ったかもしれませんが、掘り下げてみると...。

 
ユーリイ・アサウレンコ

覚えていますよ。もちろん、さまざまなアプローチで。改めて考えてみると、これには矛盾がないですね(先生と)。もちろん、やる気さえあれば、何でも実現可能です。

あなたは先生なしでRNNを持っていない限り、ここですべてがより複雑であり、ちょうど知らない、私は使用しませんでした。ちなみに、何を使っているのですか?と言ったかもしれませんが、掘り下げてみると...。

RNNは、まだ十分ではありませんが、いろいろあります。

基本的なことについては、いくつかの記事がありますが、当然ながら移行しています。

 
マキシム・ドミトリエフスキー

いろいろあって、まだ足りません))後でやります。

の記事には基本的なことが書かれていますが、もちろん私はそれよりも先に進んでいます。

十字路で-右へ進む...など。Tensorflow、非常に良い機能ですが、非常に面倒だと言われています。今のところドキュメントを読んだだけです。未使用ですか?

 
ユーリイ・アサウレンコ

十字路では右に行く...など。Tensorflow、非常に優れた機能を持つが、非常に面倒と言われている。今のところドキュメントしか読んでないけど。使ってないんですか?

tfは低レベルで、theanoの上に置かれているので、tf.theanoを使ってください、その方がシンプルです。

いろいろな例を見ましたが、まだ開発したことはありません。

バージョン2が登場し、すでにウェブサイトで公開されており、モデル作成が簡単になりました
 
マキシム・ドミトリエフスキー

tf は低レベルで、theano の上にあり、tf.theano を使えば、すべてが簡単になります。

いろいろな事例を見ましたが、まだ何も開発していません。

スピードという点では。とりあえずscikit-learnで止めておこうかなぁ、CHEZさん。MLPもそこそこ悪くない。

 
ユーリイ・アサウレンコ

スピードという点では。とりあえずscikit-learnで我慢しようかな、CEZ。MLPもそこそこ悪くない。

どうだろう、そんなことはないだろう。

パッケージはたくさんありますが、私は最も人気があり、進化しているものだけを学ぶようにしています。

sklearnは、ごった煮のようなものです。

tfはどちらかというと、自分自身のアーキテクチャを構築するためのものです。

 
ユーリイ・アサウレンコ

NSは本当にスケーリングが嫌いなんです。100~120の価格帯で訓練している、価格が範囲外に出たらそれこそ中止だ。私は、価格に関連するすべてのものを価格自体で割って1を引き、係数を使って変数を望ましいダイナミックレンジに追い込むだけです。

ですから、どちらの場合も、データを許容できる指標に前処理する必要があります。私は、上位TFのATRとその中の価格ポジショニングを利用し、レベル別のノッチでドミノを取得し、価格にはフィボナッチレベル番号を割り当てています。

 

加工モデル、シード201~401を完成させ、他は変更なし。

バランススコアの結果一覧表

メトリクスの指標となる表

独立標本で選択基準を満たしたモデルの数を示した表


3つのサンプルすべてで選択基準を満たしたモデルの数を示した表

モデルのグラフ(主にGIF)

30%

40%

50%

60%

すべての指標で傾向はほとんど変わらないようです。以下は、変化を比較するためのデルタ表です。

メートル法による指標では、その差はまったくない

収集したデータから、傾向は概ね変わっていないと結論づけられる。

それは、モデルが、異なるサンプルサイズに、頻繁な周期性で現れる、何らかの明らかなパターンを捕らえることに成功し(少なくともこの部分は常にウィンドウに現れる)、モデルによって利用されるのはこのパターンであるように思われるからです。

私自身は、面白いパターンを探すために、全データのサンプルの30%から70%を検証プロットに割り当てることは十分可能だと考えていますが、やはり最適なのは30%のようですね。