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 1342 1...133513361337133813391340134113421343134413451346134713481349...3399 新しいコメント revers45 2019.02.16 07:07 #13411 ウラジミール・ペレヴェンコおめでとうございます。 ターミナル:Rを使用したアプリケーション経由でMetaTrader 5ターミナルからデータを要求するAPIを追加 しました。MetaTraderRの特別パッケージを用意しました。RとMetaTrader 5ターミナル間の相互作用のためのDLL、ドキュメント、補助的なr-filesが含まれています。本パッケージはCRANリポジトリに登録 中であり、近い将来、ダウンロードおよびインストールが可能になる予定 です。 続編を待とう。 グッドラックというか、これでビッグデータに関するネイティブなmqlの仕事と比較して、理解することが容易になったので、お悔やみ申し上げます - このrはなんてくだらないんだ...) Maxim Dmitrievsky 2019.02.16 13:59 #13412 アレクセイ・ヴャジミキンサンプルに含まれるモデルの挙動を表す別の方法として、ここでは色で表現しています。 TP - 正しい分類「1」- 緑 FP - 誤判定 "1" - 赤色 FN - 誤判定 "0"(実際は "1 "欠落)-青色 画面サイズが大きいので、クリックで見た方が面白いです。 そして、2つのバリエーションを押すときのGIFは、わかりやすいように切り替わります 私のモデルは、青が多いので、市場ではほとんどディップしていないことがわかります。正確さだけでなく、他の方法で学習を止める方法を探すべきかもしれませんね。もちろん、完全性と正確性の両方をある程度制限して設定したいところですが、なぜかこの教育停止のオプションが開発者から提供されないのは残念です。フェッチが値の範囲を超えて いるため、スキップされる 何か興味深い予測因子はありましたか? Aleksey Vyazmikin 2019.02.16 14:07 #13413 マキシム・ドミトリエフスキー値域を 超える機能による欠落 何か興味深い予測因子は見つかりましたか?では、そのような値は歴史上一度もなく、そのために非活動時のモデルはギャップを形成する、つまり学習にはサンプルが十分でないとお考えですか? まあ、私の予測はどれも面白いもので、何年もかけて作り上げたものなんですけどね :)何がより効果的なのか、まだわかりません。現在、より理解を深めるためのスクリプトを作成中です、期待しています。 mytarmailS 2019.02.17 11:20 #13414 ウラジミール・ペレヴェンコおめでとうございます。 ターミナル:R言語を使用するアプリケーション経由でMetaTrader 5ターミナルからデータを要求するためのAPIを追加 しました。MetaTraderRの特別パッケージを用意しました。RとMetaTrader 5ターミナル間の相互作用のためのDLL、ドキュメント、補助的なr-filesが含まれています。本パッケージはCRANリポジトリに登録 中であり、近い将来、ダウンロードおよびインストールが可能になる予定 です。 続編を待とう。 グッドラック非常に興味深い、待ちます Aleksey Vyazmikin 2019.02.17 11:53 #13415 木が騒いでいるのは...。 グラフのY軸は葉(二分木)の番号、X軸はサンプリング文字列(この場合はテスト文字列)である。凡例の色の範囲-モジュロで取られた値は、葉の応答を示しています。このモデルでは、7本の木を使用します。つまり、各葉からの値が1行になり、合計7本となり、それらを合計して、例えば、0の合計は0.5となるように、ロジスティック関数を適用します。 グラフから、一部のリーフはテストサンプル期間中にアクティブにならなかった、つまり、トレーニングサンプルとテストサンプルの状況が繰り返されなかったと結論付けることができます。また、結果に大きな影響を与えない低反応のリーフ(赤)が集中しており、ノイズや論理的に似た条件の不一致の可能性が高いことがわかります。 市場投入モデルのグラフ 精度バランスグラフ モデルはあくまで、少数の葉(木)を含むものとして捉えています。 Yuriy Asaulenko 2019.02.17 20:01 #13416 Pythonでニューラルネットワークを学習させてみた。パッケージはscikit-learn、NS本体はsklearn.neural_network.MLPRegressorです。ニューロン数100以上、隠れ層-7、入力-19、出力-1。タスクはランダムなプロセスを予測することです。 このタスクは、ノイズ発生装置で作られた人工的なもので、このノイズを理論的に予測することができるようになっています。数カウント先まで試した。 ランダムに選ばれた5,000のポイントについて、予測と実測を比較した結果。 Xは予測値、Yは実測値。いずれも45度の直線に非常に近い位置にある。すなわち、予測はほぼ完璧である(人工サンプルにおいて)。 学習は24エポックと非常に高速です。時間にして、10秒程度。 とても驚いたと言わざるを得ません。データを隠すのに必死でした。よくぞ見つけてくれました。一般的には、神秘主義に近い)。 結論NS sklearn.neural_network.MLPRegressor は、かなり使えますね。クラシファイアはまだ試していません。 すでにマーケットで何かを試したが、今のところ結果は出ていない。人工的に生成されたものと同クラスのタスクであるにもかかわらず、そこには何もない、と言う。 削除済み 2019.02.17 21:28 #13417 ユーリイ・アサウレンコPythonでニューラルネットワークを学習させてみた。パッケージはscikit-learn、NS本体はsklearn.neural_network.MLPRegressorです。ニューロン数100以上、隠れ層-7、入力-19、出力-1。タスクはランダムなプロセスを予測することです。 このタスクは、ノイズ発生装置で作られた 人工的なもので、このノイズを理論的に予測することができるようになっています。数カウント先まで試した。 ランダムに選ばれた5,000のポイントについて、予測と実測を比較した結果。 Xは予測値、Yは実測値。いずれも45度の直線に非常に近い位置にある。すなわち、予測はほぼ完璧である(人工サンプルにおいて)。 学習は24エポックと非常に高速です。時間にして、10秒程度。 とても驚いたと言わざるを得ません。データを隠すのに必死でした。よくぞ見つけてくれました。一般的には、神秘主義に近い)。 結論NS sklearn.neural_network.MLPRegressor は、かなり使えますね。クラシファイアはまだ試していません。 すでにマーケットで 何かを試したが、今のところ結果は出ていない。検索せず、人工的に生成されたタスクと同じクラス であるにもかかわらず、そこには何もないと言う。これは同クラスのタスクではありません。市場はノイズの発生源ではありません。 Yuriy Asaulenko 2019.02.17 23:00 #13418 Oleg avtomat:同じクラスのタスクではありません。市場はノイズの発生源ではありません。質問は非常にムズカシイです))機種を指定し、NSで走行可能かどうか、同時にこのトラクターが動くかどうか確認してください)。 Женя 2019.02.18 00:13 #13419 ユーリイ・アサウレンコタスクはランダムなプロセスを予測することです。 タスクは人工的なもので、ノイズ発生装置上で行われ、このノイズが理論的に予測できるようにする。数カウント先まで試した。 その結果、ランダムに選んだ5,000地点で予測と実測を比較することができました。 すなわち、(人工的なサンプルでは)ほぼ完璧な予測ができる。つまり、データはランダムではない、他にどう説明するのか、ということです。 削除済み 2019.02.18 02:04 #13420 ユーリイ・アサウレンコムダなことだ)機種をお教えください。NSで走行可能であれば、このトラクターが使えるかどうか確認します)。この問題は全く無意味なものではありません。そして、あなたのNSはまさにその通りで、ノイズジェネレータにはかなり効きますが、マーケットBPには効かず、その結果は「Not searching, saysnothing there」(何も ないと言っています)です。 1...133513361337133813391340134113421343134413451346134713481349...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
おめでとうございます。
ターミナル:Rを使用したアプリケーション経由でMetaTrader 5ターミナルからデータを要求するAPIを追加 しました。
MetaTraderRの特別パッケージを用意しました。RとMetaTrader 5ターミナル間の相互作用のためのDLL、ドキュメント、補助的なr-filesが含まれています。本パッケージはCRANリポジトリに登録 中であり、近い将来、ダウンロードおよびインストールが可能になる予定 です。
続編を待とう。
グッドラック
というか、これでビッグデータに関するネイティブなmqlの仕事と比較して、理解することが容易になったので、お悔やみ申し上げます - このrはなんてくだらないんだ...)
サンプルに含まれるモデルの挙動を表す別の方法として、ここでは色で表現しています。
TP - 正しい分類「1」- 緑
FP - 誤判定 "1" - 赤色
FN - 誤判定 "0"(実際は "1 "欠落)-青色
画面サイズが大きいので、クリックで見た方が面白いです。
そして、2つのバリエーションを押すときのGIFは、わかりやすいように切り替わります
私のモデルは、青が多いので、市場ではほとんどディップしていないことがわかります。正確さだけでなく、他の方法で学習を止める方法を探すべきかもしれませんね。もちろん、完全性と正確性の両方をある程度制限して設定したいところですが、なぜかこの教育停止のオプションが開発者から提供されないのは残念です。
フェッチが値の範囲を超えて いるため、スキップされる
何か興味深い予測因子はありましたか?
値域を 超える機能による欠落
何か興味深い予測因子は見つかりましたか?
では、そのような値は歴史上一度もなく、そのために非活動時のモデルはギャップを形成する、つまり学習にはサンプルが十分でないとお考えですか?
まあ、私の予測はどれも面白いもので、何年もかけて作り上げたものなんですけどね :)何がより効果的なのか、まだわかりません。現在、より理解を深めるためのスクリプトを作成中です、期待しています。
おめでとうございます。
ターミナル:R言語を使用するアプリケーション経由でMetaTrader 5ターミナルからデータを要求するためのAPIを追加 しました。
MetaTraderRの特別パッケージを用意しました。RとMetaTrader 5ターミナル間の相互作用のためのDLL、ドキュメント、補助的なr-filesが含まれています。本パッケージはCRANリポジトリに登録 中であり、近い将来、ダウンロードおよびインストールが可能になる予定 です。
続編を待とう。
グッドラック
非常に興味深い、待ちます
木が騒いでいるのは...。
グラフのY軸は葉(二分木)の番号、X軸はサンプリング文字列(この場合はテスト文字列)である。凡例の色の範囲-モジュロで取られた値は、葉の応答を示しています。このモデルでは、7本の木を使用します。つまり、各葉からの値が1行になり、合計7本となり、それらを合計して、例えば、0の合計は0.5となるように、ロジスティック関数を適用します。
グラフから、一部のリーフはテストサンプル期間中にアクティブにならなかった、つまり、トレーニングサンプルとテストサンプルの状況が繰り返されなかったと結論付けることができます。また、結果に大きな影響を与えない低反応のリーフ(赤)が集中しており、ノイズや論理的に似た条件の不一致の可能性が高いことがわかります。
市場投入モデルのグラフ
精度バランスグラフ
モデルはあくまで、少数の葉(木)を含むものとして捉えています。
Pythonでニューラルネットワークを学習させてみた。パッケージはscikit-learn、NS本体はsklearn.neural_network.MLPRegressorです。ニューロン数100以上、隠れ層-7、入力-19、出力-1。タスクはランダムなプロセスを予測することです。
このタスクは、ノイズ発生装置で作られた人工的なもので、このノイズを理論的に予測することができるようになっています。数カウント先まで試した。
ランダムに選ばれた5,000のポイントについて、予測と実測を比較した結果。
Xは予測値、Yは実測値。いずれも45度の直線に非常に近い位置にある。すなわち、予測はほぼ完璧である(人工サンプルにおいて)。
学習は24エポックと非常に高速です。時間にして、10秒程度。
とても驚いたと言わざるを得ません。データを隠すのに必死でした。よくぞ見つけてくれました。一般的には、神秘主義に近い)。
結論NS sklearn.neural_network.MLPRegressor は、かなり使えますね。クラシファイアはまだ試していません。
すでにマーケットで何かを試したが、今のところ結果は出ていない。人工的に生成されたものと同クラスのタスクであるにもかかわらず、そこには何もない、と言う。
Pythonでニューラルネットワークを学習させてみた。パッケージはscikit-learn、NS本体はsklearn.neural_network.MLPRegressorです。ニューロン数100以上、隠れ層-7、入力-19、出力-1。タスクはランダムなプロセスを予測することです。
このタスクは、ノイズ発生装置で作られた 人工的なもので、このノイズを理論的に予測することができるようになっています。数カウント先まで試した。
ランダムに選ばれた5,000のポイントについて、予測と実測を比較した結果。
Xは予測値、Yは実測値。いずれも45度の直線に非常に近い位置にある。すなわち、予測はほぼ完璧である(人工サンプルにおいて)。
学習は24エポックと非常に高速です。時間にして、10秒程度。
とても驚いたと言わざるを得ません。データを隠すのに必死でした。よくぞ見つけてくれました。一般的には、神秘主義に近い)。
結論NS sklearn.neural_network.MLPRegressor は、かなり使えますね。クラシファイアはまだ試していません。
すでにマーケットで 何かを試したが、今のところ結果は出ていない。検索せず、人工的に生成されたタスクと同じクラス であるにもかかわらず、そこには何もないと言う。
これは同クラスのタスクではありません。
市場はノイズの発生源ではありません。同じクラスのタスクではありません。
市場はノイズの発生源ではありません。質問は非常にムズカシイです))機種を指定し、NSで走行可能かどうか、同時にこのトラクターが動くかどうか確認してください)。
タスクはランダムなプロセスを予測することです。
タスクは人工的なもので、ノイズ発生装置上で行われ、このノイズが理論的に予測できるようにする。数カウント先まで試した。
その結果、ランダムに選んだ5,000地点で予測と実測を比較することができました。
すなわち、(人工的なサンプルでは)ほぼ完璧な予測ができる。
つまり、データはランダムではない、他にどう説明するのか、ということです。
ムダなことだ)機種をお教えください。NSで走行可能であれば、このトラクターが使えるかどうか確認します)。
この問題は全く無意味なものではありません。そして、あなたのNSはまさにその通りで、ノイズジェネレータにはかなり効きますが、マーケットBPには効かず、その結果は「Not searching, saysnothing there」(何も ないと言っています)です。