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 1612 1...160516061607160816091610161116121613161416151616161716181619...3399 新しいコメント mytarmailS 2020.03.08 09:12 #16111 エフゲニー・デューカ このようなストラテジーを半年間扱い、バックテストでの最大結果は1年間x5ですが、年に一度は必ず全てを失い、この問題を解決することは不可能です。 ええ、まあ...人が残念です。 では、システムの放送はどうなっているのでしょうか? Evgeny Dyuka 2020.03.08 10:22 #16112 mytarmailS: ええ、まあ...人が残念です。 では、システムの放送はどうなっているのでしょうか? メタトレーダーでのシグナルということであれば、まさに非現実的です。ビットコインのスプレッドは異常+相場は捏造。通常の暗号取引所では、リミットで開設すると手数料がマイナスになる、つまり余分に支払われる。 Farkhat Guzairov 2020.03.08 16:53 #16113 私は過去1週間のテスターでシステムを実行し、再びこの "ヘルプ "は、システムを訓練するために費やされた労力が唯一の負の結果、この結果は、データがリアルタイム(生)で来るときに何を言うために、既知の、訓練されたデータ上という事実につながるフィルタなどを置く "ヘルプ "と確信した。 Evgeny Dyuka 2020.03.08 19:49 #16114 ファルハット・グザイロフ この1週間、テスターでシステムを動かしてみて、改めて確信したのは、フィルターを設定するなどの「ヘルプ」は、システムのトレーニングに費やした労力が、この「ヘルプ」によってマイナスの結果にしかならないこと、そしてこの結果は、既知のトレーニング済みのデータで、データがリアルタイム(生)に来たときにどう言えばいいのかということでした。 松葉杖を使うべきではない、システムは自分で学習するべきだ、一度助け始めたらやめることはできない)) Aleksey Mavrin 2020.03.08 20:14 #16115 mytarmailS: 現在のローソク足と前回のローソク足("-1")の2つのベクトルを変数として持っています。 a = "オープン", "ハイ", "ロー", "クローズ", "センター" b = "オープン-1", "ハイ-1", "ロー-1", "クローズ-1", "センター-1". センター "という変数は、ローソク足の真ん中(高値+安値)/2であり、この変数がなければ、"エスキモー "などのパターンを記述することは不可能である。 そこで、考えられるすべての論理的な組み合わせ(非論理的な組み合わせも可能)を作ってみましょう。 たった2本のキャンドル、みじめな2本のキャンドル......。 もうね、何と言っていいかわからない。ニューラルネットワークのライブラリーが身近になり、常識さえも忘れてしまったというか、なんというか。 どのような分析でも、最初のマニュアルには、結果を出すためには冗長なエンティティを取り除くことが必要だと書かれているのに、エンティティを増やすのは明らかにナンセンスだ。 まあ、一桁、二桁、三桁と高くなれば変数を作れば、二本のローソク足で1000になるかもしれませんが))) 予測変数の比率がモデルにとって重要で、必ず入力に与える必要があると考えるなら、一種の畳み込み層を作ればよいのですが、予測変数を多重化するために、そうですね...。 mytarmailS 2020.03.08 20:27 #16116 アレクセイ・マヴリン なんて言っていいかわからないよ。ニューラルネットワークのライブラリが身近になったことで、人々は常識を忘れてしまったというか、なんというか。 あらゆる解析の一次マニュアルには、不要な エンティティを取り除かなければ結果が得られないと書かれているのに、エンティティを増やすのは明らかにナンセンスです。 まあ、一桁、二桁、三桁と高くなれば変数を作れば、二本のローソク足で1000になるかもしれませんが))) 予測変数の比率がモデルにとって重要で、それを必ず入力に与えなければならないと考えるのであれば、畳み込み層のようなものを作ればいいのですが、予測変数を多重化するために、ヤダ......。 おっとの子供たち.... 余分な 存在を排除するためには、まず何が余分なのかを理解する必要があるのです1000のアプリケーションの特徴の中から、最も重要な5つの特徴を目で見て選ぶことができますか? Aleksey Mavrin 2020.03.08 21:09 #16117 mytarmailS: おっとの子供たち.... 余分な 存在を取り除くには、まず何が余分なのかを理解する必要がある! 理解するには、選択肢に目を通す必要がある! それとも、別の方法を知っているのか?1000人以上の中から、目利きで5人の重要な人物を選ぶことができますか? あなたは多くの仕事をし、多くの資料を研究し、多くの時間を費やしてきました。心を入れ替えようとすることに何の意味があるのか...。 mytarmailS 2020.03.08 21:20 #16118 アレクセイ・マヴリン あなたは多くの仕事をし、多くの資料を研究し、多くの時間を費やしてきました。まあ、あなたの考えを変えることはできませんが。 反論があれば、ぜひお聞かせください。 主張が客観的であれば、考えを変えてもいいと思うんです。 言い過ぎたと気づいて、うまく飛ばそうと思ったのなら、うまくいかなかったのです)) Aleksey Mavrin 2020.03.09 00:49 #16119 mytarmailS: 反論があれば、ぜひお聞かせください。 もし、その主張が客観的なものであれば、私は考えを改め、より賢くなってもいいと思います。 言い過ぎたと気づいて、会釈することにしたら失敗)) どのような引数は、あなたがそうしている場合は、どちらかあなたが何かを理解していないか、私は理解していることを意味します。 私の驚きの本質は、次のようなことです。ティーチングモデルは、ここで言っているように、生のデータで学習させる必要があります。 入力データに相関がある場合、それを無相関にする必要があります。しかし、あなたは逆のことをしているのです。互いに強く相関している元のデータを掛け合わせているのです。 ここでは、3桁のRGBで色の濃淡を分類するようにモデルを教えます。3桁って、純粋に生データじゃん!!!! あなたのアプローチでは、次のような予測式を作る必要があります。 1- R 2-G 3-B - 4 赤が多い 5 -緑が多い 6- 緑と青を合わせたものより赤が多い ......。100500 緑が青と同じぐらい赤くない。)) モデルは自分で学習すべきではないのですか?生データを持っているのですから、そのためにあるのです Evgeny Dyuka 2020.03.09 04:59 #16120 アレクセイ・マヴリン どんな議論かというと、そんなことをしたら、あなたが何かを理解していないか、私が理解しているかのどちらかだということです。 私が驚いたのは、ここで言っているような学習済みモデルは、生データで学習させなければならないという点です。 入力データに相関がある場合、それを無相関にする必要があります。しかし、あなたは逆のことをしているのです。互いに強く相関している元のデータを掛け合わせているのです。 ここでは、3桁のRGBで色の濃淡を分類するようにモデルを教えます。3桁って、純粋に生データじゃん!!!!あなたのアプローチでは、次のような予測式を作る必要があります。 1- R 2-G 3-B - 4 赤が多い 5 -緑が多い 6- 緑と青を合わせたものより赤が多い ......。100500 緑が青と同じぐらい赤くない。)) モデルが自分で学習する必要はないのでは?入力データがあるのだから、そのためにあるのでは? 入力データを正しく選択することで、モデルが学習するかどうかが決まりますが、あとはテクニックの問題ですね。この段階で理解が得られなければ、次に進む意味はありません。 1...160516061607160816091610161116121613161416151616161716181619...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
このようなストラテジーを半年間扱い、バックテストでの最大結果は1年間x5ですが、年に一度は必ず全てを失い、この問題を解決することは不可能です。
ええ、まあ...人が残念です。
では、システムの放送はどうなっているのでしょうか?
ええ、まあ...人が残念です。
では、システムの放送はどうなっているのでしょうか?
私は過去1週間のテスターでシステムを実行し、再びこの "ヘルプ "は、システムを訓練するために費やされた労力が唯一の負の結果、この結果は、データがリアルタイム(生)で来るときに何を言うために、既知の、訓練されたデータ上という事実につながるフィルタなどを置く "ヘルプ "と確信した。
この1週間、テスターでシステムを動かしてみて、改めて確信したのは、フィルターを設定するなどの「ヘルプ」は、システムのトレーニングに費やした労力が、この「ヘルプ」によってマイナスの結果にしかならないこと、そしてこの結果は、既知のトレーニング済みのデータで、データがリアルタイム(生)に来たときにどう言えばいいのかということでした。
現在のローソク足と前回のローソク足("-1")の2つのベクトルを変数として持っています。
a = "オープン", "ハイ", "ロー", "クローズ", "センター"
b = "オープン-1", "ハイ-1", "ロー-1", "クローズ-1", "センター-1".
センター "という変数は、ローソク足の真ん中(高値+安値)/2であり、この変数がなければ、"エスキモー "などのパターンを記述することは不可能である。
そこで、考えられるすべての論理的な組み合わせ(非論理的な組み合わせも可能)を作ってみましょう。
たった2本のキャンドル、みじめな2本のキャンドル......。もうね、何と言っていいかわからない。ニューラルネットワークのライブラリーが身近になり、常識さえも忘れてしまったというか、なんというか。
どのような分析でも、最初のマニュアルには、結果を出すためには冗長なエンティティを取り除くことが必要だと書かれているのに、エンティティを増やすのは明らかにナンセンスだ。
まあ、一桁、二桁、三桁と高くなれば変数を作れば、二本のローソク足で1000になるかもしれませんが)))
予測変数の比率がモデルにとって重要で、必ず入力に与える必要があると考えるなら、一種の畳み込み層を作ればよいのですが、予測変数を多重化するために、そうですね...。
なんて言っていいかわからないよ。ニューラルネットワークのライブラリが身近になったことで、人々は常識を忘れてしまったというか、なんというか。
あらゆる解析の一次マニュアルには、不要な エンティティを取り除かなければ結果が得られないと書かれているのに、エンティティを増やすのは明らかにナンセンスです。
まあ、一桁、二桁、三桁と高くなれば変数を作れば、二本のローソク足で1000になるかもしれませんが)))
予測変数の比率がモデルにとって重要で、それを必ず入力に与えなければならないと考えるのであれば、畳み込み層のようなものを作ればいいのですが、予測変数を多重化するために、ヤダ......。
おっとの子供たち....
余分な 存在を排除するためには、まず何が余分なのかを理解する必要があるのです1000のアプリケーションの特徴の中から、最も重要な5つの特徴を目で見て選ぶことができますか?
おっとの子供たち....
余分な 存在を取り除くには、まず何が余分なのかを理解する必要がある! 理解するには、選択肢に目を通す必要がある! それとも、別の方法を知っているのか?1000人以上の中から、目利きで5人の重要な人物を選ぶことができますか?
あなたは多くの仕事をし、多くの資料を研究し、多くの時間を費やしてきました。心を入れ替えようとすることに何の意味があるのか...。
あなたは多くの仕事をし、多くの資料を研究し、多くの時間を費やしてきました。まあ、あなたの考えを変えることはできませんが。
反論があれば、ぜひお聞かせください。
主張が客観的であれば、考えを変えてもいいと思うんです。
言い過ぎたと気づいて、うまく飛ばそうと思ったのなら、うまくいかなかったのです))
反論があれば、ぜひお聞かせください。
もし、その主張が客観的なものであれば、私は考えを改め、より賢くなってもいいと思います。
言い過ぎたと気づいて、会釈することにしたら失敗))
どのような引数は、あなたがそうしている場合は、どちらかあなたが何かを理解していないか、私は理解していることを意味します。
私の驚きの本質は、次のようなことです。ティーチングモデルは、ここで言っているように、生のデータで学習させる必要があります。
入力データに相関がある場合、それを無相関にする必要があります。しかし、あなたは逆のことをしているのです。互いに強く相関している元のデータを掛け合わせているのです。
ここでは、3桁のRGBで色の濃淡を分類するようにモデルを教えます。3桁って、純粋に生データじゃん!!!! あなたのアプローチでは、次のような予測式を作る必要があります。
1- R 2-G 3-B - 4 赤が多い 5 -緑が多い 6- 緑と青を合わせたものより赤が多い ......。100500 緑が青と同じぐらい赤くない。))
モデルは自分で学習すべきではないのですか?生データを持っているのですから、そのためにあるのです
どんな議論かというと、そんなことをしたら、あなたが何かを理解していないか、私が理解しているかのどちらかだということです。
私が驚いたのは、ここで言っているような学習済みモデルは、生データで学習させなければならないという点です。
入力データに相関がある場合、それを無相関にする必要があります。しかし、あなたは逆のことをしているのです。互いに強く相関している元のデータを掛け合わせているのです。
ここでは、3桁のRGBで色の濃淡を分類するようにモデルを教えます。3桁って、純粋に生データじゃん!!!!あなたのアプローチでは、次のような予測式を作る必要があります。
1- R 2-G 3-B - 4 赤が多い 5 -緑が多い 6- 緑と青を合わせたものより赤が多い ......。100500 緑が青と同じぐらい赤くない。))
モデルが自分で学習する必要はないのでは?入力データがあるのだから、そのためにあるのでは?