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 1608 1...160116021603160416051606160716081609161016111612161316141615...3399 新しいコメント Maxim Dmitrievsky 2020.03.03 20:23 #16071 カート内の信号で跳ね返される？) Evgeny Dyuka 2020.03.03 20:31 #16072 マキシム・ドミトリエフスキー カート内の信号で跳ね返される？) を選択することができます。 ... 2020.03.04 00:39 #16073 エフゲニー・デューカ - 高度な解決策を探す必要はなく、すべてがシンプルで、私は1層のSequentialで最初の結果を得ました。 - 20のモデルの意見を総合して予測します。 ここでは、2つのうちの1つが冗長だと思うのですが......。 Evgeny Dyuka 2020.03.04 05:00 #16074 ...: - 複雑な解決策を探す必要はなく、単純なことです。- は、20のモデルを組み合わせた意見から予測されます。どちらか一方が余分なようです... 冗長性がないのです。モデルとは、このような小さなファイルであり、ネットワークの学習 結果である。数が多ければ、操作することができる。 mytarmailS 2020.03.04 06:57 #16075 エフゲニー・デューカ 1. なぜモデルのアンサンブルなのか、それらを区別するものは何か、それは未来の長さなのか、それとも特徴なのか？ それとも、アンサンブルの中からどのネットワークを聴くかを選択する、階層的に高い別のネットワークがあるのでしょうか？ 2.もし、すべてがうまくいくのであれば、なぜ公開するのか？ 3. 完全にローソク足＋指標＋何かトリッキーな もの 、何がトリッキーなのか？) Evgeny Dyuka 2020.03.04 08:07 #16076 mytarmailS: 1. なぜモデルのアンサンブルなのか、それらを区別するものは何か、それは未来の長さなのか、それとも特徴なのか？ それとも、アンサンブルの中からどのネットワークを聴くかを選択する、階層的に高い別のネットワークがあるのでしょうか？ 2.もし、すべてがうまくいくのであれば、なぜ公開するのか？ 3. 完全にローソク足＋指標＋何かトリッキーな もの 、何がトリッキーなのか？) 1. 入力データ（チップ） 2. 「稼ぐ」という観点で考え始めると、すぐにすべてがつまらなくなり、ストップしてしまう。脳はターゲット、ストップ、バックテスト、パラメータの選択に切り替わるが、ここではテーマそのもの、研究の部分に興味があるのである。 3.これがノウハウだ Evgeny Dyuka 2020.03.04 08:27 #16077 mytarmailS: 1. なぜモデルのアンサンブルなのか、それらを区別するものは何か、それは未来の長さなのか、それとも特徴なのか？ それとも、アンサンブルの中からどのネットワークを聴くかを選択する、階層的に高い別のネットワークがあるのでしょうか？ 2.もし、すべてがうまくいくのであれば、なぜ公開するのか？ 3. 完全にローソク足＋指標＋何かトリッキーな もの 、何がトリッキーなのか？) 2.証券取引所の取引対象を外部に委託していただければと思います。 ニューロシグナルをソケット+jsonでフィルタなしで配信することができます。 mytarmailS 2020.03.04 09:37 #16078 本物であることを確認したら、いち早く登録するつもりです。 2.取引所でのトレードのテーマを外注してくれると嬉しいですね。 ニューロシグナルをソケット+jsonでフィルタなしで配信することができます。 MQLのここのトレードを "シグナル "にブロードキャストすることができます。 そして、すぐに購読してくれるクライアントを探す...。デタラメな平均化装置でないことが分かれば、いち早く契約するつもりです。 mytarmailS 2020.03.06 10:45 #16079 理論的な質問があります モデルを近似させる目標関数がある 1000個とします。 つまり、予測変数がたくさんある場合、それらを均等に分割し、100として、10のモデルを学習させることができるかということです。 そして、これら10個のモデルの出力が、予測因子として新しいモデルに供給される。1000個の予測因子に対して初期学習された1つのモデルを一度に使うのと同等になるのでしょうか？ でも、意見を聞いてみたい。 Maxim Dmitrievsky 2020.03.06 11:10 #16080 mytarmailS: 理論的な質問があります モデルを近似させる目標関数がある 1000個とします。 そこで質問ですが、予測変数がたくさんある場合、それらを等分して100とし、10のモデルを学習させることは可能でしょうか？ そして、これら10個のモデルの出力が、予測因子として新しいモデルに供給される。1000個の予測因子に対して初期学習された1つのモデルを一度に使うのと同等になるのでしょうか？ 何か、違うような気がするのですが、ご意見をお聞かせください。 をモデルスタックと呼びます。同じになることはあっても、効率が良くなるとは限りません。この方法でやったが、改善は見られなかった。 もうひとつ、メタトレーニングという方法があります。最初のモデルでクラスを予測するように訓練し、その結果を、同じまたは他の予測因子で、最初のモデルの取引を許可/拒否 する2番目のモデルに送ります。1 - 取引、0 - 取引しない、最初のモデル予測の品質に応じて、つまり一種のフィルタリングです。学習データでの誤差は大きく減少するが、新しいデータでの誤差はあまり減少しない（モデルの汎化性が低い場合）。でも、メタトレーニング自体はOKです。 あるデータで最初のモデルを学習させ、最初のモデルの誤差を利用して他のデータでメタモデルを学習させることができます。異なるバリエーションがあるかもしれません。両方の方法をやりましたが、一般的には改善が見られますが、フィードバックで良いモデルを得る方法というよりは、微調整という感じです。 マルコス・ロペス・デ・プラド「メタ・ラーニング」でググるといい、トレーディングについてだけ。 1...160116021603160416051606160716081609161016111612161316141615...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
カート内の信号で跳ね返される？)
を選択することができます。
- 高度な解決策を探す必要はなく、すべてがシンプルで、私は1層のSequentialで最初の結果を得ました。
- 20のモデルの意見を総合して予測します。
ここでは、2つのうちの1つが冗長だと思うのですが......。
- 複雑な解決策を探す必要はなく、単純なことです。
- は、20のモデルを組み合わせた意見から予測されます。
どちらか一方が余分なようです...
1. なぜモデルのアンサンブルなのか、それらを区別するものは何か、それは未来の長さなのか、それとも特徴なのか？
それとも、アンサンブルの中からどのネットワークを聴くかを選択する、階層的に高い別のネットワークがあるのでしょうか？
2.もし、すべてがうまくいくのであれば、なぜ公開するのか？
3. 完全にローソク足＋指標＋何かトリッキーな もの 、何がトリッキーなのか？)
1. なぜモデルのアンサンブルなのか、それらを区別するものは何か、それは未来の長さなのか、それとも特徴なのか？
それとも、アンサンブルの中からどのネットワークを聴くかを選択する、階層的に高い別のネットワークがあるのでしょうか？
2.もし、すべてがうまくいくのであれば、なぜ公開するのか？
3. 完全にローソク足＋指標＋何かトリッキーな もの 、何がトリッキーなのか？)
2. 「稼ぐ」という観点で考え始めると、すぐにすべてがつまらなくなり、ストップしてしまう。脳はターゲット、ストップ、バックテスト、パラメータの選択に切り替わるが、ここではテーマそのもの、研究の部分に興味があるのである。
3.これがノウハウだ
1. なぜモデルのアンサンブルなのか、それらを区別するものは何か、それは未来の長さなのか、それとも特徴なのか？
それとも、アンサンブルの中からどのネットワークを聴くかを選択する、階層的に高い別のネットワークがあるのでしょうか？
2.もし、すべてがうまくいくのであれば、なぜ公開するのか？
3. 完全にローソク足＋指標＋何かトリッキーな もの 、何がトリッキーなのか？)
ニューロシグナルをソケット+jsonでフィルタなしで配信することができます。
2.取引所でのトレードのテーマを外注してくれると嬉しいですね。
ニューロシグナルをソケット+jsonでフィルタなしで配信することができます。
MQLのここのトレードを "シグナル "にブロードキャストすることができます。
そして、すぐに購読してくれるクライアントを探す...。デタラメな平均化装置でないことが分かれば、いち早く契約するつもりです。
理論的な質問があります
モデルを近似させる目標関数がある
1000個とします。
つまり、予測変数がたくさんある場合、それらを均等に分割し、100として、10のモデルを学習させることができるかということです。
そして、これら10個のモデルの出力が、予測因子として新しいモデルに供給される。1000個の予測因子に対して初期学習された1つのモデルを一度に使うのと同等になるのでしょうか？
でも、意見を聞いてみたい。
理論的な質問があります
モデルを近似させる目標関数がある
1000個とします。
そこで質問ですが、予測変数がたくさんある場合、それらを等分して100とし、10のモデルを学習させることは可能でしょうか？
そして、これら10個のモデルの出力が、予測因子として新しいモデルに供給される。1000個の予測因子に対して初期学習された1つのモデルを一度に使うのと同等になるのでしょうか？
何か、違うような気がするのですが、ご意見をお聞かせください。
をモデルスタックと呼びます。同じになることはあっても、効率が良くなるとは限りません。この方法でやったが、改善は見られなかった。
もうひとつ、メタトレーニングという方法があります。最初のモデルでクラスを予測するように訓練し、その結果を、同じまたは他の予測因子で、最初のモデルの取引を許可/拒否 する2番目のモデルに送ります。1 - 取引、0 - 取引しない、最初のモデル予測の品質に応じて、つまり一種のフィルタリングです。学習データでの誤差は大きく減少するが、新しいデータでの誤差はあまり減少しない（モデルの汎化性が低い場合）。でも、メタトレーニング自体はOKです。
あるデータで最初のモデルを学習させ、最初のモデルの誤差を利用して他のデータでメタモデルを学習させることができます。異なるバリエーションがあるかもしれません。両方の方法をやりましたが、一般的には改善が見られますが、フィードバックで良いモデルを得る方法というよりは、微調整という感じです。
マルコス・ロペス・デ・プラド「メタ・ラーニング」でググるといい、トレーディングについてだけ。