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 1384

[Maxim Dmitrievsky]

ヴィタリー・ムジチェンコ

いいね！」を付けられないのが残念。

払えばいいんです（冗談です）。

[Yuriy Asaulenko]

エリブラリウス

ユーリも単純な増分でうまくいっている。

グラデーションは使いません)

[Igor Makanu]

マキシム・ドミトリエフスキー

市場価格は、主に歴史的な瞬間における需要と供給のバランスを反映しています。

また、「MOでどの程度の歴史を分析すべきか」という問題もあります。

ある定数Bars = 1000を使用する場合

学習用のデータとして信頼性が低いのでは？

[Forester]

マキシム・ドミトリエフスキー：

x.append((SD.history[i-j][c.c]/SD.history[i][c.c]-1)*1000)を実行します。

2: 最大の遅延を持つホットチェーンは，前のホットチェーンのすべての分散を含んでいます．

その結果、最も タイムラグの長いreturneeの重要度が最も大きく なり（分散が大きく、情報量が増える）、このreturneeが他の特徴の分散をすべて含むことになります。

長いトレンドの 中で＝はい。そして、重要なことは、遠ければ遠いほど、みんなが同じ方向に成長するため、相関関係が強くなることです。

そして、このような状況の中で

20本目は0本目と同じレベルだが、5本目と10本目は20本目よりも多くの情報を含んでいる。そして、2-3近傍を除いて相関がある。

。

いろいろな状況があるので、すべてのバーを分析する必要があります。

別の方法として、このブランチの作成者が行ったように、シリーズを間引くことができます（ブログで）。

[Yuriy Asaulenko]

マキシム・ドミトリエフスキー

x.append((SD.history[i-j][c.c]/SD.history[i][c.c]-1)*1000)を実行します。

つまり、1:強く相関している、2:e - 最大の遅延を持つ特徴は、前の特徴に含まれるすべての分散を含む、つまり、何の情報の増加も与えない。

その結果、最大のラグを持つリターンが最大のインポートを持ち（より多くの分散、より多くの情報利得）、このリターンは他の特徴のすべての分散を含むことになります

ゾクゾクする))

私がやっていることのアナログは、写真です。

[Maxim Dmitrievsky]

イゴール・マカヌ

もうひとつ、MOでどの程度の歴史を分析すべきかという問題があります。

ある定数Bars = 1000を使用する場合

学習用データとして信頼できないものにならないか？

価格をレベル分けすれば、価格がそこに来たときから始まり、去ったときに終わる、レベルごとの平均的な履歴の深さが計算できると仮定しています

[Forester]

ユーリイ・アサウレンコ
インクリメントは使わない)

SD.history[i-j][c.c]/SD.history[i][c.c]の場合。

相対的な増分である。他の名前で呼んでるだけだろ。

[Maxim Dmitrievsky]

エリブラリウス

長いトレンドの中で＝はい。そして、重要なことは、トレンドが長ければ長いほど、みんなが同じ方向に成長していることになり、相関関係が強くなることです。

そして、このような状況の中で

20本目のバーは0本目と同じレベルですが、5本目と10本目は20本目よりも多くの情報を持っています。そして、2-3近傍を除いて相関がある。

。

いろいろな状況があるので、すべてのバーを分析する必要があります。

オプションとして、このブランチの作成者が行ったように（彼のブログで）、シリーズを薄くすることができます。

を平均すると、サンプル数が増えるにつれて、相関が最大になることを意味します。

現地では誰も興味を示さない。

[Maxim Dmitrievsky]

ユーリイ・アサウレンコ
ゾクゾクする))

では、サンプル全体で、予測因子間の相関を計算してみましょう。

で、全部捨てる )

[Yuriy Asaulenko]

マキシム・ドミトリエフスキー

では、サンプル全体で、予測因子間の相関を計算してみましょう。

で、全部捨てる )

あなたは間違っています。これしかないんです。