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 1602

 
こんにちは、理想的にはC#で、例えば10の異なるクラス間の分類でうまく動作するいくつかのライブラリまたはMLフレームワークをアドバイスしてください。
その入力に対してML.NETを実行したところ、次のような方法が最も正確であると判明した。

- LGBM分類器
- 最大エントロピー分類器。

しかし、ML.NETには制限があるので、他の選択肢を試してみたいです。
今の市場とは関係ないが、おそらく将来的には使われることになるだろう。

データ例

Label   Pitch   Energy  RMS     ZCR     Centroid        Spread  Flatness        Noiseness       RollOf  Crest   Entropy Decrease        C1      C2      C3      C4      C5      C6      M1      M2      M3      M4      M5      M6      M7      M8      M9      M10     M11     M12     M13

08      195.91840       749479.40000    663.49990       0.06797 5960.71800      5623.56900      0.45596 0.48241 11892.42000     113.03180       0.81972 -0.01187        0.60059 0.99703 1.12502 1.38532 1.41049 1.34596 174.31960       5.43771 0.53368 1.08706 1.28929 -0.27730        0.22525 -0.32192        -1.06489        0.18286 0.12653 -0.36697        0.04997

07      89.38548        264804.20000    427.55540       0.06677 5575.63400      5633.31900      0.41806 0.46413 11484.85000     167.75290       0.79212 -0.17176        0.58641 1.03448 1.14216 1.40824 1.38114 1.41114 174.84360       4.86947 0.42199 1.17480 1.67603 -0.33066        0.54447 -0.31041        -0.75327        -0.04792        0.82607 0.23418 0.16688


 
...:
こんにちは、理想的にはC#で、例えば10の異なるクラス間の分類でうまく動作するいくつかのライブラリまたはMLフレームワークをアドバイスしてください。
その入力に対してML.NETを実行したところ、次のような方法が最も正確であると判明した。

- LGBM分類器
- 最大エントロピー分類器。

しかし、ML.NETには制限があるので、他の選択肢を試してみたいです。
今の市場とは関係ないが、おそらく将来的には使われることになるだろう。

データ例

CatBoostを 試されましたか?

 
マキシム・ドミトリエフスキー
占い師はチェリストを見ず、つまり匿名で。ただ、彼女に短い質問をいろいろな人が投げかけ、その答えを評価したのです。誰もお互いを知らない。ただ、心理的な効果はどうなんだろうと思いました。カードに書かれているくだらないことを鵜呑みにするのかと思いきや、的を得ている(笑)。

アメーバの「知っている」はそこからきているのです。占い師ってなんだよ(笑)

Amoeba finds approximate solutions to NP-hard problem in linear time
Amoeba finds approximate solutions to NP-hard problem in linear time
  • phys.org
Researchers have demonstrated that an amoeba—a single-celled organism consisting mostly of gelatinous protoplasm—has unique computing abilities that may one day offer a competitive alternative to the methods used by conventional computers. The researchers, led by Masashi Aono at Keio University, assigned an amoeba to solve the Traveling...
 

そして、ニューラルネットワークの訓練に成功したのです。BTCUSDの場合、今後15分間の動きを1分ごとに予測します(ローソク足参照なし)。 神経反応は上下2値で、-70~+70と数値で表され、価格予測ではなく、動きの確信度合いを示すものである。
今、実際の市場では、予想以上に高い結果が出ています。バックテストでは、成功した回答の68%がはるかに優れていることが判明しました。 松葉杖やヒントを使わずに、つまり外部から影響を受けずに訓練したものは、同じように機能します。
MQL5ボット、TensorFlow + Keras neuronでデータを準備し、テレグラムチャンネルに私の予測を送信しているところです。ここではリンクはしていませんが、もし可能なら教えてください。

実際、私は毎分ローソク足で値を出すインジケータを手に入れました。30以上の値であれば、取引を試みることができる)

質問には答えますが、データ作成に関するノウハウはトレーニングのために残しておきます...。

 
エフゲニー・デューカ

バックテストでは68%の成功率でしたが、実戦ではもっと良い結果でした。

それでは何もわからないのはご存じのとおりです。勝利への期待とは?

 
アンドレイ

ご存知のように、それは何の意味もありません。勝利への期待とは?

もちろん何も言わないが、実際のマーケットはそうだ。 予想は絶対に当たるし、トレンドやこれからの反転もよく当てられる、いわば......だ。は、既知のすべての指標よりも優れています。これをすべて公開で。
Matの期待値はカウントされていません。
 
エフゲニー・デューカ
しかし、実際の市場は、予測は絶対に適切で、トレンドと今後の反転の推測は非常に優れている、と言っています...。既知のすべての指標より優れている。これをすべて公開で。

推測の割合は何も言いません、利益のある推測が99%、利益のない推測が1%存在してもよく、それによってすべての利益をカバーすることができるのです。

エフゲニー・デューカ
Matの期待値はカウントされていません。

なぜそうなのか?

 
アンドレイ

推測の割合では何もわからない、利益の出る推測が99%、利益の出ない推測が1%あっていい、それですべての利益をカバーできる。

なぜそうなのか?

私が間違っていることを納得させることができる。このプロジェクトを 半年間、1日16時間やって結果を出しました。私はあなたにカジノの広告を与えるというリンクを待っているので、私は、あなたを表示することはできません。

逆質問ですが、このテーマをコアフォーラムとして他にどこで議論すればいいのでしょうか?
多分安全のために私達はフォーラムからの代表者を装備するべきです、彼は保護スーツ、リンクの shodt を身に着け、観察し、そして言います-それはカジノまたはないです。
その後、議論します。

 
アンドレイ

推測の割合では何もわからない、利益の出る推測が99%、利益の出ない推測が1%あっていい、それですべての利益をカバーできる。

なぜそうなのか?

このトピックでは、推測の割合は重要ではなく、別のカテゴリーです。ここで重要なのは、ネットワークが学習しているかどうかです。それが学習可能な兆しを見せれば、扉は開かれ、あとは無限に予測の質を向上させることができる。すべては機材と時間次第です。
理由: