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 1609 1...160216031604160516061607160816091610161116121613161416151616...3399 新しいコメント mytarmailS 2020.03.06 11:44 #16081 マキシム・ドミトリエフスキー というのは、モデルスタッキングと呼ばれるものです。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。 もう一つ方法があって、それはメタ学習と呼ばれるものです。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に関する2番目のモデルに送り込み、最初のモデルの取引を許可/拒否 します。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、トレーディングについてだけ出てきます。 しかし、学習時のコンピュータリソースを節約する方法として、予測子を分割することを検討しましたが、例えば10個の予測子を一度にモデル学習する時間がないのです......。 重要な予測因子をまず選ぶ必要があるので、PCAなどで予測因子を小さくしたくないので、一般的なモデルを情報の損失を最小限にしてPDP-modelに分割する方法を考えています。 Maxim Dmitrievsky 2020.03.06 11:47 #16082 mytarmailS: 情報提供ありがとうございます。しかし、学習時のコンピュータリソースを節約する方法として、予測子をパーツに分割することを検討していたのですが、例えば10個の予測子を一度にモデルで学習する余裕はないんです...。 まず有意な予測変数を選択する必要があるので、PCAなどで予測変数のサイズを減らしたくないので、情報の損失を最小限に抑えながら一般モデルをPDP-modelに分割する方法について考えています。 10の予測因子とは?相関のあるものを取り除き、残ったものの重要性をフォレストやブーストで確認し、3~10個にする。 Farkhat Guzairov 2020.03.06 11:47 #16083 どうせ100%当てることはできない、テスト済みだ、どんな場合でも不正確な予測はあるはずだ。学習モデルは繰り返し使えるが、結果が同じになるとは限らないからだ。 例えば、こんな感じです。もちろん、モデル(形式化されたデータ)を選択するアプローチはあまり上手くないかもしれませんが、100%正しい予測が可能とは考えにくいですね。 mytarmailS 2020.03.06 11:54 #16084 マキシム・ドミトリエフスキー 10の予測因子とは?相関のあるものを取り除き、残ったものの重要度を森やブーストで調べると、3〜10が残る。 予測変数が論理的なルールである場合はどうでしょうか?:) Farkhat Guzairov 2020.03.06 11:57 #16085 深層史のトレーニングはあまり効果的ではない、途中でシステムが誤作動を始めることがある、というのは同意します。 Maxim Dmitrievsky 2020.03.06 12:00 #16086 mytarmailS: 予測変数が論理的なルールであった場合はどうでしょうか。:) そんなの関係ない、予測変数がそんなにあるわけがない、モデルじゃない、ゴミだ 検索エンジンや画像解析のどこかにあるのかもしれないが、引用には使えないのは確かだ。 mytarmailS 2020.03.06 12:01 #16087 ファルハット・グザイロフ ニューラルネットワークのレベルは、どのような形で与えるのですか? mytarmailS 2020.03.06 12:02 #16088 マキシム・ドミトリエフスキー そんなの関係ない、予測変数がそんなにあるわけがない、モデルじゃない、ゴミだ なぜ? リッチ」なモデルほど、悪い? 特に、どの予測変数の組み合わせがベストなのか自分でもわからない場合、考えられるすべての選択肢をモデルに投入し、モデルの観点から予測変数の重要性を見るのは正しいことだと思いませんか? Farkhat Guzairov 2020.03.06 12:12 #16089 mytarmailS: ニューラルネットワークのレベルは、どのような形で与えるのですか? いやいや、2レベルのものを使ってみたのですが、期待した結果が得られませんでした。上に書いたように、データの選択が最適でない(矛盾している場合もある)ために、論理的に正しい結果のヒントが見えなかったのかもしれません。今のところ通常のレイヤードニューロニックのみです。多層ネットワークを構築する前に、各層が単独で正しい解決策をもたらすかどうかを知る必要があります。 mytarmailS 2020.03.06 12:32 #16090 Farkhat Guzairov: いやいや、2値化も試したのですが、期待した結果が得られませんでした。上に書いたように、データの選択が最適でない(矛盾している場合もある)ため、論理的に正しい結果のヒントが見えなかったのかもしれませんね。これまでは通常のレイヤードニューロニックだけでした。多層ネットワークを構築する前に、各層がそれ自体で正しい解決策を与えているかどうかを理解する必要があります。 すみません、サポートと レジスタンスのレベルという 意味です。 1...160216031604160516061607160816091610161116121613161416151616...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
というのは、モデルスタッキングと呼ばれるものです。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。
もう一つ方法があって、それはメタ学習と呼ばれるものです。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に関する2番目のモデルに送り込み、最初のモデルの取引を許可/拒否 します。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、トレーディングについてだけ出てきます。
しかし、学習時のコンピュータリソースを節約する方法として、予測子を分割することを検討しましたが、例えば10個の予測子を一度にモデル学習する時間がないのです......。
重要な予測因子をまず選ぶ必要があるので、PCAなどで予測因子を小さくしたくないので、一般的なモデルを情報の損失を最小限にしてPDP-modelに分割する方法を考えています。
情報提供ありがとうございます。しかし、学習時のコンピュータリソースを節約する方法として、予測子をパーツに分割することを検討していたのですが、例えば10個の予測子を一度にモデルで学習する余裕はないんです...。
まず有意な予測変数を選択する必要があるので、PCAなどで予測変数のサイズを減らしたくないので、情報の損失を最小限に抑えながら一般モデルをPDP-modelに分割する方法について考えています。
10の予測因子とは?相関のあるものを取り除き、残ったものの重要性をフォレストやブーストで確認し、3~10個にする。
どうせ100%当てることはできない、テスト済みだ、どんな場合でも不正確な予測はあるはずだ。学習モデルは繰り返し使えるが、結果が同じになるとは限らないからだ。
例えば、こんな感じです。もちろん、モデル(形式化されたデータ)を選択するアプローチはあまり上手くないかもしれませんが、100%正しい予測が可能とは考えにくいですね。
10の予測因子とは?相関のあるものを取り除き、残ったものの重要度を森やブーストで調べると、3〜10が残る。
予測変数が論理的なルールである場合はどうでしょうか?:)
予測変数が論理的なルールであった場合はどうでしょうか。:)
そんなの関係ない、予測変数がそんなにあるわけがない、モデルじゃない、ゴミだ
検索エンジンや画像解析のどこかにあるのかもしれないが、引用には使えないのは確かだ。
ニューラルネットワークのレベルは、どのような形で与えるのですか?
そんなの関係ない、予測変数がそんなにあるわけがない、モデルじゃない、ゴミだ
なぜ?
リッチ」なモデルほど、悪い?
特に、どの予測変数の組み合わせがベストなのか自分でもわからない場合、考えられるすべての選択肢をモデルに投入し、モデルの観点から予測変数の重要性を見るのは正しいことだと思いませんか?ニューラルネットワークのレベルは、どのような形で与えるのですか?
いやいや、2レベルのものを使ってみたのですが、期待した結果が得られませんでした。上に書いたように、データの選択が最適でない(矛盾している場合もある)ために、論理的に正しい結果のヒントが見えなかったのかもしれません。今のところ通常のレイヤードニューロニックのみです。多層ネットワークを構築する前に、各層が単独で正しい解決策をもたらすかどうかを知る必要があります。
いやいや、2値化も試したのですが、期待した結果が得られませんでした。上に書いたように、データの選択が最適でない(矛盾している場合もある)ため、論理的に正しい結果のヒントが見えなかったのかもしれませんね。これまでは通常のレイヤードニューロニックだけでした。多層ネットワークを構築する前に、各層がそれ自体で正しい解決策を与えているかどうかを理解する必要があります。
すみません、サポートと レジスタンスのレベルという 意味です。