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 156 1...149150151152153154155156157158159160161162163...3399 新しいコメント Mihail Marchukajtes 2016.10.12 10:44 #1551 ちなみに長期での宇宙的なパーセンテージは5分足で稼げ、それに応じてトレードも増えるので...すべて合点がいきますね...。 J.B 2016.10.12 10:44 #1552 アレクセイ・ブルナコフ2) そうなんだ...でも、このシャープ2-3って、どうやって計算するんだろう?ファンドの計算方法というか、これが実際の取引における本当のシャープ推定値だとどうやって判断しているのだろうか。ポイントは、モデルで、シャープはリスクに対するリターンの比率であるということです、多くのバリエーションがあり、そのような愚かな成長率や成長のダイナミクスの回帰として、戻りとしてカウントするもの、とリスクはCKOまたは最大ドローダウン、などです 違いは基本的ではありませんが、もし2月3日が現実であれば誰もが、それが博士のチームによって行われる場合でも、いくつかの理由で実際の取引では、何度も少なく出てくる億万長者になるはずです。しかし、その多くは容量の関係で、多くのモデルが10万ドル、あるいは1,000万ドルまで取引できれば状況はもっと良くなりますが、それでは投資や給与を社員のボーナスで回収することさえできません。 Alexey Burnakov 2016.10.12 10:57 #1553 J.B: シャープとはリスクに対するリターンの比率です。何をリターンとみなすかは、成長率や成長率の回帰など様々なバリエーションがあり、リスクはCKOや最大ドローダウンなど、その違いは根本的ではありませんが、もし2-3が本物なら、誰もが億万長者になっているでしょう。しかし、多くのモデルが10万ドル、あるいは1,000万ドルで取引されていれば、状況はもっと良くなるのですが、それでは投資と従業員のボーナスによる給与の回収さえできません。 博士号は指標にならない。再教育は、MsやBsと同じようになります。それゆえ、リアルでの指標は急激に低下した。 J.B 2016.10.12 11:21 #1554 アレクセイ・ブルナコフまあ、いいや。ゲインをアップ/ダウンで分類するのではなく、回帰モデルを構築するとします。だからR^2や他の決定論的な指標(例えばロバスト絶対偏差の指標)でもいいんです。相互情報量について - 根拠がないのか、それともメトリックが信頼できない働きをするという強い証拠があるのか?私は疑問を持っています。更新情報: 相互情報を使った合成データと実データについて、いろいろと調べてみました。依存性が定常的であれば、メトリックはどこでもうまく機能する。依存性がノイズになりかけている場合、メトリックは依存性ゼロを示すことがある。しかし、全体として、多変量非線形システムにおいて、例えばF1よりも性能が悪いという理由は見当たりません。こちらの記事で紹介しています:https://habrahabr.ru/company/aligntechnology/blog/303750/しかし、増分する値動きを分類すると、およそ次のような図が得られました(5つの通貨ペアをまとめて、つまり1つのモデルですべての通貨を分類した場合)。これは、50個の保留サンプルに対する少なくとも中央値の精度値で、最大で57%の領域です。個別の通貨ペアでは、中央値で60%以上の精度を達成しています。時系列データのみです。 申し訳ありませんが、確かな証拠を与える時間がありません。市場データは定常ではなく、依存関係は線形ではありません。例えば、このように2次元で10次元のフラクタルノイズをシミュレートします。 ご覧のように、ガウス依存ではなく、多くの「島」などがあります。では、1次元を追加したり削除したりすると分類が落ちるので、相互情報量やr^ 2を使った場合の効率はどうなのかを計算してみてください。R^2 は一般に線形ですが、複素位相の分離超曲面や多くの島の場合、すべてが悲しいことになります。ここでは古典的な統計的基準を抜きにして、自分で確認することができるのです。また、そのようなガチャガチャが100d、1000dとあった場合? Alexey Burnakov 2016.10.12 11:39 #1555 J.B: 市場データは定常ではなく、依存関係も線形ではない。例えば、10次元のフラクタルノイズを2次元でシミュレーションすると、次のようになる。ご覧のように、ガウス依存ではなく、多くの「島」などがあります。では、1次元を追加したり削除したりすると分類が落ちるので、相互情報量やr^ 2を使った場合の効率はどうなのかを計算してみてください。R^2 は一般に線形ですが、複素位相の分離超曲面や多くの島の場合、すべてが悲しいことになります。ここでは古典的な統計的基準を抜きにして、自分で確認することができるのです。そんなガチャガチャが100d、1000dとあったらどうでしょう?証明はできないが...。あなたは私を理解することができません。私が言っているのは、分類ではなく、回帰モデルを作るということです。 分類と何の関係があるんだ...。ハイパープレインを走らせていない。対象の中央値を条件付きでモデリングして、残差分析で品質を測定しているんです。いつもそうなんです。分類ということであれば、何かの確率がゼロに近い場合など、正規性の要件は必要ない。非直線性、多次元性は、まさに相互情報の範囲である。この問題について、あなたはまだ理解していないようですね...。 Alexey Burnakov 2016.10.12 11:44 #1556 ディミトリ10%はデポジットロードです。1000ドルの預金がある場合、それを10%積み上げる、つまり100ドルの取引を開始します。注意:ブローカーやコーチが提供するレバレッジによって、10,000ドル(1:100)、5,000ドル(1:50)、20,000ドル(1:200)という異なるロットを購入することができます。追伸:ファッカーベイビー.........。軽い話題で悪態をつくのはやめましょう・・・。計算してみよう。 最初の例。500ドルを持っている。マイクロロットは1000ドルの価値がある。私はマイクロロットで1つの取引を開始し、(大きな金額の購入が固有のリスク制限に収まらなくなったため)1:2のレバレッジを使用しています。ディーラーは最大レバレッジ1:100を与えてくれるので、私は$1000 / 100を買うために2%の保証金を積みました。2つ目の例同じ資本レベルで5つの取引を行う場合、入金額を10%増やし、1:10のレバレッジを使用します(0.01 * 100000 * 5 / 500)。 つまり、提供される最大レバレッジは、預金負荷の割合にのみ依存し、私に全カットを開く機会を与えてくれるのです。実際のレバレッジは私の裁量によります。しかし、私の投資では最低でも1:2です。もう大丈夫なのか? Дмитрий 2016.10.12 11:53 #1557 アレクセイ・ブルナコフ 軽い話題で悪口を言うのはやめましょう・・・。計算してみよう。 最初の例では、500ドル持っていますが、マイクロロットは1000ドルです。私はマイクロロットで1つの取引を開始し、(大きな金額の購入が固有のリスク制限に収まらなくなったため)1:2のレバレッジを使用しています。ディーラーは最大レバレッジ1:100を与えてくれるので、私は$1000 / 100を買うために2%の保証金を積みました。同じ資本レベルで5つの取引を行う場合、入金額を10%増やし、1:10のレバレッジを使用します(0.01 * 100000 * 5 / 500)。 もう大丈夫ですか?キッチンが提供するのと同じレバレッジを使っているのですね。レバレッジを変化させるのではなく(定数として与えられている)、与えられたレバレッジに対して使用する資本の量を変化させるのです。もう一度言いますが、あなたの口座のタイプ に対して、キッチンはどのようなレバレッジを与えていますか?1:100? Alexey Burnakov 2016.10.12 12:05 #1558 ディミトリキッチンが提供するのと同じレバレッジを使うのです。使っているレバレッジではなく(定数です)、与えられたレバレッジに対して使っている資本金の額です。もう一度言いますが、あなたの口座のタイプ に対して、キッチンはどのようなレバレッジを与えていますか?1:100?最大レバレッジ - はい、1:100です。でも、使わないんです。もう一度言います。 J.B 2016.10.12 12:07 #1559 Alexey Burnakov: 証拠にならない...。あなたは私を理解することができません。私は、分類ではなく、回帰モデルを構築すると言っています。分類と何の関係があるんだ...。ハイパープレインを走らせていない。対象の中央値を条件付きでモデリングして、残差分析で品質を測定しているんです。いつもそうなんです。分類ということであれば、何かの確率がゼロに近い場合など、正規性の要件は必要ない。非直線性、多次元性は、まさに相互情報の範囲である。この問題について、あなたはまだ理解していないようですね...。 例えば、1000の要素を分類し、100の出力を持つディープニューラルネットワークで、異なる時間軸で指定した商品の上下の動きの確率を算出するのはどうでしょう。それは回帰なのか?回帰とは、価格を予測することである。 相互情報を使ってもいいですが、私たちは単純に要因に目を通し、特定のモデルについて、最終的な予測に対するそれぞれの要因の影響度を計算すべきですから、さらに悪いことになります。googleNetの洗練度という点では。回帰は必要ありませんし、資産がいくらになるかを正確に気にすることもありません。それはモデルを複雑にし、何の意味もありません。 Дмитрий 2016.10.12 12:11 #1560 アレクセイ・ブルナコフ 最大レバレッジは、そう、1:100です。でも、使わないんです。何度でも言う。なるほど、初歩的なことが理解できないのであれば、議論しても仕方がないですね。要するに、ヘッジファンドの割合に対する自分の関心を10くらいで割る必要があるわけです。 1...149150151152153154155156157158159160161162163...3399 新しいコメント 理由: キャンセル 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
2) そうなんだ...でも、このシャープ2-3って、どうやって計算するんだろう?ファンドの計算方法というか、これが実際の取引における本当のシャープ推定値だとどうやって判断しているのだろうか。
ポイントは、モデルで、シャープはリスクに対するリターンの比率であるということです、多くのバリエーションがあり、そのような愚かな成長率や成長のダイナミクスの回帰として、戻りとしてカウントするもの、とリスクはCKOまたは最大ドローダウン、などです 違いは基本的ではありませんが、もし2月3日が現実であれば誰もが、それが博士のチームによって行われる場合でも、いくつかの理由で実際の取引では、何度も少なく出てくる億万長者になるはずです。しかし、その多くは容量の関係で、多くのモデルが10万ドル、あるいは1,000万ドルまで取引できれば状況はもっと良くなりますが、それでは投資や給与を社員のボーナスで回収することさえできません。
シャープとはリスクに対するリターンの比率です。何をリターンとみなすかは、成長率や成長率の回帰など様々なバリエーションがあり、リスクはCKOや最大ドローダウンなど、その違いは根本的ではありませんが、もし2-3が本物なら、誰もが億万長者になっているでしょう。しかし、多くのモデルが10万ドル、あるいは1,000万ドルで取引されていれば、状況はもっと良くなるのですが、それでは投資と従業員のボーナスによる給与の回収さえできません。
まあ、いいや。
ゲインをアップ/ダウンで分類するのではなく、回帰モデルを構築するとします。だからR^2や他の決定論的な指標(例えばロバスト絶対偏差の指標)でもいいんです。
相互情報量について - 根拠がないのか、それともメトリックが信頼できない働きをするという強い証拠があるのか?私は疑問を持っています。
更新情報: 相互情報を使った合成データと実データについて、いろいろと調べてみました。依存性が定常的であれば、メトリックはどこでもうまく機能する。依存性がノイズになりかけている場合、メトリックは依存性ゼロを示すことがある。しかし、全体として、多変量非線形システムにおいて、例えばF1よりも性能が悪いという理由は見当たりません。こちらの記事で紹介しています:https://habrahabr.ru/company/aligntechnology/blog/303750/
しかし、増分する値動きを分類すると、およそ次のような図が得られました(5つの通貨ペアをまとめて、つまり1つのモデルですべての通貨を分類した場合)。
これは、50個の保留サンプルに対する少なくとも中央値の精度値で、最大で57%の領域です。個別の通貨ペアでは、中央値で60%以上の精度を達成しています。時系列データのみです。
申し訳ありませんが、確かな証拠を与える時間がありません。市場データは定常ではなく、依存関係は線形ではありません。例えば、このように2次元で10次元のフラクタルノイズをシミュレートします。
ご覧のように、ガウス依存ではなく、多くの「島」などがあります。では、1次元を追加したり削除したりすると分類が落ちるので、相互情報量やr^ 2を使った場合の効率はどうなのかを計算してみてください。R^2 は一般に線形ですが、複素位相の分離超曲面や多くの島の場合、すべてが悲しいことになります。ここでは古典的な統計的基準を抜きにして、自分で確認することができるのです。また、そのようなガチャガチャが100d、1000dとあった場合?
市場データは定常ではなく、依存関係も線形ではない。例えば、10次元のフラクタルノイズを2次元でシミュレーションすると、次のようになる。
ご覧のように、ガウス依存ではなく、多くの「島」などがあります。では、1次元を追加したり削除したりすると分類が落ちるので、相互情報量やr^ 2を使った場合の効率はどうなのかを計算してみてください。R^2 は一般に線形ですが、複素位相の分離超曲面や多くの島の場合、すべてが悲しいことになります。ここでは古典的な統計的基準を抜きにして、自分で確認することができるのです。そんなガチャガチャが100d、1000dとあったらどうでしょう?
証明はできないが...。
あなたは私を理解することができません。私が言っているのは、分類ではなく、回帰モデルを作るということです。 分類と何の関係があるんだ...。ハイパープレインを走らせていない。対象の中央値を条件付きでモデリングして、残差分析で品質を測定しているんです。いつもそうなんです。
分類ということであれば、何かの確率がゼロに近い場合など、正規性の要件は必要ない。非直線性、多次元性は、まさに相互情報の範囲である。この問題について、あなたはまだ理解していないようですね...。
10%はデポジットロードです。
1000ドルの預金がある場合、それを10%積み上げる、つまり100ドルの取引を開始します。
注意:ブローカーやコーチが提供するレバレッジによって、10,000ドル(1:100)、5,000ドル(1:50)、20,000ドル(1:200)という異なるロットを購入することができます。
追伸:ファッカーベイビー.........。
軽い話題で悪態をつくのはやめましょう・・・。
計算してみよう。
最初の例。500ドルを持っている。マイクロロットは1000ドルの価値がある。私はマイクロロットで1つの取引を開始し、(大きな金額の購入が固有のリスク制限に収まらなくなったため)1:2のレバレッジを使用しています。ディーラーは最大レバレッジ1:100を与えてくれるので、私は$1000 / 100を買うために2%の保証金を積みました。
2つ目の例同じ資本レベルで5つの取引を行う場合、入金額を10%増やし、1:10のレバレッジを使用します(0.01 * 100000 * 5 / 500)。
つまり、提供される最大レバレッジは、預金負荷の割合にのみ依存し、私に全カットを開く機会を与えてくれるのです。実際のレバレッジは私の裁量によります。しかし、私の投資では最低でも1:2です。
もう大丈夫なのか?
軽い話題で悪口を言うのはやめましょう・・・。
計算してみよう。
最初の例では、500ドル持っていますが、マイクロロットは1000ドルです。私はマイクロロットで1つの取引を開始し、(大きな金額の購入が固有のリスク制限に収まらなくなったため)1:2のレバレッジを使用しています。ディーラーは最大レバレッジ1:100を与えてくれるので、私は$1000 / 100を買うために2%の保証金を積みました。
同じ資本レベルで5つの取引を行う場合、入金額を10%増やし、1:10のレバレッジを使用します(0.01 * 100000 * 5 / 500)。
もう大丈夫ですか?
キッチンが提供するのと同じレバレッジを使っているのですね。レバレッジを変化させるのではなく(定数として与えられている)、与えられたレバレッジに対して使用する資本の量を変化させるのです。
もう一度言いますが、あなたの口座のタイプ に対して、キッチンはどのようなレバレッジを与えていますか?1:100?
キッチンが提供するのと同じレバレッジを使うのです。使っているレバレッジではなく(定数です)、与えられたレバレッジに対して使っている資本金の額です。
もう一度言いますが、あなたの口座のタイプ に対して、キッチンはどのようなレバレッジを与えていますか?1:100?
最大レバレッジ - はい、1:100です。でも、使わないんです。もう一度言います。
証拠にならない...。
あなたは私を理解することができません。私は、分類ではなく、回帰モデルを構築すると言っています。分類と何の関係があるんだ...。ハイパープレインを走らせていない。対象の中央値を条件付きでモデリングして、残差分析で品質を測定しているんです。いつもそうなんです。
分類ということであれば、何かの確率がゼロに近い場合など、正規性の要件は必要ない。非直線性、多次元性は、まさに相互情報の範囲である。この問題について、あなたはまだ理解していないようですね...。
例えば、1000の要素を分類し、100の出力を持つディープニューラルネットワークで、異なる時間軸で指定した商品の上下の動きの確率を算出するのはどうでしょう。それは回帰なのか?回帰とは、価格を予測することである。
相互情報を使ってもいいですが、私たちは単純に要因に目を通し、特定のモデルについて、最終的な予測に対するそれぞれの要因の影響度を計算すべきですから、さらに悪いことになります。googleNetの洗練度という点では。回帰は必要ありませんし、資産がいくらになるかを正確に気にすることもありません。それはモデルを複雑にし、何の意味もありません。
最大レバレッジは、そう、1:100です。でも、使わないんです。何度でも言う。
なるほど、初歩的なことが理解できないのであれば、議論しても仕方がないですね。
要するに、ヘッジファンドの割合に対する自分の関心を10くらいで割る必要があるわけです。