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 1620 1...161316141615161616171618161916201621162216231624162516261627...3399 新しいコメント mytarmailS 2020.03.18 21:06 #16191 アレクセイ・ヴャジミキン クラスタリングの入力は何ですか？ - すべてのサンプル予測変数ですか？ そうですね...でも、実験もできますしね。 Aleksey Vyazmikin 2020.03.18 21:09 #16192 アレクセイ・ニコラエフ その考えを、ある程度論理的にまとめていく。同じ資産にあるシステムのセットがあるとします。各システムは、市場に出たとき、一定の数量のポジションを持ちますが、方向が変わることがあります。戦略のリターンとボラティリティは既知である。 ここで、T1 と T2 は市場に存在する時間、t1 と t2 はこれらの戦略が同時に市場に存在し、それぞれ同じ方向と反対方向を向いている時間であり、（t1-t2）/sqrt（T1*T2）式を使って戦略間の相関を定義してみましょう。SBへの価格接近を想定して導き出された簡便な計算式です。これで、マーコウィッツ理論を適用して最適なポートフォリオを見つけるためのデータはすべて揃った。 明らかに、この方法では意味のあるポートフォリオは得られません（少なくとも、1つの資産しか使用されていないため）。少し修正する必要があります。 1) 最適化アルゴリズムの変更（パラメータ制限、ペナルティ）。戦略間の相関の定義を明確にする。 2）戦略作成の時点ですでにポートフォリオを最適化する。つまり、それに対するポートフォリオの最適化条件に基づいて戦略を探します。これをどのように形式化し、実用化するのかがよくわからないが、一般的にはこのアプローチの方が論理的であるように思われる。すでに書かれているように、アルゴリズムを書き換える必要があるなど、いろいろありますが。手間をかける価値があるかどうか おっしゃるとおりです。なぜなら、市場に参入するだけでは十分ではなく、時間内に撤退しなければならないからです。ここでは、条件付きで2つの類似した戦略、1つは固定テイクで、もう1つはテイクなしですが、高い時間相関を与えますが、異なる財務結果をもたらします。例えば、2つの似たようなストラテジーがあると便利です。1つはフラットな状態で利益を出し、もう1つはトレンドの状態でより多くの利益を出し、共にバランスカーブを滑らかにすることができます。 戦略数が少なければ、その直接探索と共同推定が可能である。 Aleksey Vyazmikin 2020.03.18 21:11 #16193 mytarmailS: そうですね...でも、実験もできますしね。 また、ランダム化を行わず、妥当な計算時間で納得のいく結果を得るには、どのようなアルゴリズムを選べばよいのでしょうか？クラスタリングは苦手なんです。 Forester 2020.03.18 21:36 #16194 Aleksey Vyazmikin： CatBoostを研究してきましたので、その話をします。深さは4～6分割が推奨されています。これは、私が一般的に試している深さです。予測分割は、3種類のアルゴリズムから選択することができます。いわゆるグリッドが出来上がります。分割の結果は、自分で引き出して見てみると面白いですよ。AlgLibはforestのツリーを構築する際、予測因子をどのように等分しているのでしょうか？ AlgLibは、入力された部分を中央値で分割します（訂正 - 中央値ではなく、中央値です）。例えば、100個の例が来た場合、値をソートし、50個目の例からの値で割るのです。コードには分位数オプションがありますが、使用されていません。XGBoostについて、ランダム除算の変種があることを思い出しました。キャットバストでも同じようです。 一般に、このような浅い木を推奨するのはおかしい。 以前にも書きましたが、このような浅いツリーでは、価値の2～3割といったセクターが選択されることはまずありません。せいぜい1、2回が中央値で割るか、Boostsでランダムな値で割る程度です。 深さが100だったら、何かの予測で20～30％のセクターになることは十分あり得る。 Boostsでは、メインツリーで使われなかった他の予測子を使うこともあるのですが、それらも1～2倍程度しか離れていないため、多数の絞り込みツリーによって補われているのだと思われます。 mytarmailS 2020.03.18 21:40 #16195 アレクセイ・ヴャジミキン また、ランダム性を排除し、適度な計算時間で納得のいく結果を得るには、どのようなアルゴリズムを選べばよいのでしょうか？クラスタリングは苦手なんです。 はい、任意のトレーラー（knn、som、dtwclust...）で、最高のバリアントは確かに実験を表示されます... 誤解しないでいただきたいのは、私が書いたものを使っているわけではなく、あなたの考えを読んで、少し違う側面から実装を見たので、発言したまでです......。結果を保証するものではありません Aleksey Vyazmikin 2020.03.18 21:48 #16196 elibrarius: Algibは入力されたスライスを中央値で分割します。例えば、100個の例が来たら、値をソートして50個目の例からの値で割る。コード内に分位数によるバリアントがありますが、使用されていません。 XGBoostについて、ランダム分割のオプションがあることを思い出しました。キャットバストでも同じようです。 一般に、このような浅い木を推奨するのはおかしい。 以前にも書きましたが、このような浅いツリーでは、価値の20～30％といったセクターが選択されることはまずありません。せいぜい1、2回が中央値で割るか、Boostsでランダムな値で割る程度です。 深さが100だったら、何かの予測で20～30％のセクターになることは十分あり得る。 Boostsでは、メインツリーで使われなかった他の予測子を使うことができる、多数の絞り込みツリーによってこれを補っているのだと思います。 現実は我々の想像とは違うかもしれません。CatBoostの パーティショニングアルゴリズムを再現して、そこで実際に何が起こっているのか、どの程度正しいのかを確認する必要があります。 ランダム性については、予測格子分割の選択にランダム性があり、ベストなものではなく、ランダムなものだと理解しています。そして、スタックをレンジで不均等に分割するアルゴリズムがあります。 Aleksey Vyazmikin 2020.03.18 21:50 #16197 mytarmailS: トレーラーでは、どのようなもの（knn、som、dtwclustなど）を使っても構いませんが、最適なオプションはもちろん実験によって示されます。 誤解しないでいただきたいのは、私が書いたものを使っているわけではなく、あなたの考えを読んで、少し違う側面から実装を見たので、発言したまでです......。結果を保証するものではありません。 私は保証について話しているのでしょうか。ただ、あなたの考えを理解することに興味があります。 Evgeny Dyuka 2020.03.18 22:15 #16198 Neuroインジケータはほぼ完成しています ))これはEAで、純粋に私の技量不足を示す指標です。 Evgeny Dyuka 2020.03.18 22:16 #16199 上部のオレンジ色の部分-下降を予測、下部の緑色の部分-上昇を予測、ニューラルネットワークの信頼度の太さです。BTCUSD M1 のみで動作します（今のところ...）。 カッコイイですか？)) mytarmailS 2020.03.18 22:48 #16200 エフゲニー・デューカ 上のオレンジのゾーンは下降、下の緑のゾーンは上昇を予測します。BTCUSD M1でのみ動作します（現時点では）。 カッコイイですか？)) 悪くないといえば悪いのですが、悔しいです。 基本的には通常の買われ過ぎ/売られ過ぎの指標と同じように機能します。 正しいこともあれば、間違っていることもある、あってはならないこと......。 このネットでトレードのテストは全くしていないのですか？私の経験では、儲からないと思うのですが...。 ネットの「信頼性」にフィルターをかければ別ですが。 1...161316141615161616171618161916201621162216231624162516261627...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
クラスタリングの入力は何ですか？ - すべてのサンプル予測変数ですか？
そうですね...でも、実験もできますしね。
その考えを、ある程度論理的にまとめていく。同じ資産にあるシステムのセットがあるとします。各システムは、市場に出たとき、一定の数量のポジションを持ちますが、方向が変わることがあります。戦略のリターンとボラティリティは既知である。 ここで、T1 と T2 は市場に存在する時間、t1 と t2 はこれらの戦略が同時に市場に存在し、それぞれ同じ方向と反対方向を向いている時間であり、（t1-t2）/sqrt（T1*T2）式を使って戦略間の相関を定義してみましょう。SBへの価格接近を想定して導き出された簡便な計算式です。これで、マーコウィッツ理論を適用して最適なポートフォリオを見つけるためのデータはすべて揃った。
明らかに、この方法では意味のあるポートフォリオは得られません（少なくとも、1つの資産しか使用されていないため）。少し修正する必要があります。
1) 最適化アルゴリズムの変更（パラメータ制限、ペナルティ）。戦略間の相関の定義を明確にする。
2）戦略作成の時点ですでにポートフォリオを最適化する。つまり、それに対するポートフォリオの最適化条件に基づいて戦略を探します。これをどのように形式化し、実用化するのかがよくわからないが、一般的にはこのアプローチの方が論理的であるように思われる。すでに書かれているように、アルゴリズムを書き換える必要があるなど、いろいろありますが。手間をかける価値があるかどうか
おっしゃるとおりです。なぜなら、市場に参入するだけでは十分ではなく、時間内に撤退しなければならないからです。ここでは、条件付きで2つの類似した戦略、1つは固定テイクで、もう1つはテイクなしですが、高い時間相関を与えますが、異なる財務結果をもたらします。例えば、2つの似たようなストラテジーがあると便利です。1つはフラットな状態で利益を出し、もう1つはトレンドの状態でより多くの利益を出し、共にバランスカーブを滑らかにすることができます。
戦略数が少なければ、その直接探索と共同推定が可能である。
そうですね...でも、実験もできますしね。
また、ランダム化を行わず、妥当な計算時間で納得のいく結果を得るには、どのようなアルゴリズムを選べばよいのでしょうか？クラスタリングは苦手なんです。
CatBoostを研究してきましたので、その話をします。
深さは4～6分割が推奨されています。これは、私が一般的に試している深さです。
予測分割は、3種類のアルゴリズムから選択することができます。いわゆるグリッドが出来上がります。
分割の結果は、自分で引き出して見てみると面白いですよ。AlgLibはforestのツリーを構築する際、予測因子をどのように等分しているのでしょうか？
AlgLibは、入力された部分を中央値で分割します（訂正 - 中央値ではなく、中央値です）。例えば、100個の例が来た場合、値をソートし、50個目の例からの値で割るのです。コードには分位数オプションがありますが、使用されていません。
XGBoostについて、ランダム除算の変種があることを思い出しました。キャットバストでも同じようです。
一般に、このような浅い木を推奨するのはおかしい。
以前にも書きましたが、このような浅いツリーでは、価値の2～3割といったセクターが選択されることはまずありません。せいぜい1、2回が中央値で割るか、Boostsでランダムな値で割る程度です。
深さが100だったら、何かの予測で20～30％のセクターになることは十分あり得る。
Boostsでは、メインツリーで使われなかった他の予測子を使うこともあるのですが、それらも1～2倍程度しか離れていないため、多数の絞り込みツリーによって補われているのだと思われます。
また、ランダム性を排除し、適度な計算時間で納得のいく結果を得るには、どのようなアルゴリズムを選べばよいのでしょうか？クラスタリングは苦手なんです。
はい、任意のトレーラー（knn、som、dtwclust...）で、最高のバリアントは確かに実験を表示されます...
誤解しないでいただきたいのは、私が書いたものを使っているわけではなく、あなたの考えを読んで、少し違う側面から実装を見たので、発言したまでです......。結果を保証するものではありません
Algibは入力されたスライスを中央値で分割します。例えば、100個の例が来たら、値をソートして50個目の例からの値で割る。コード内に分位数によるバリアントがありますが、使用されていません。
XGBoostについて、ランダム分割のオプションがあることを思い出しました。キャットバストでも同じようです。
一般に、このような浅い木を推奨するのはおかしい。
以前にも書きましたが、このような浅いツリーでは、価値の20～30％といったセクターが選択されることはまずありません。せいぜい1、2回が中央値で割るか、Boostsでランダムな値で割る程度です。
深さが100だったら、何かの予測で20～30％のセクターになることは十分あり得る。
Boostsでは、メインツリーで使われなかった他の予測子を使うことができる、多数の絞り込みツリーによってこれを補っているのだと思います。
現実は我々の想像とは違うかもしれません。CatBoostの パーティショニングアルゴリズムを再現して、そこで実際に何が起こっているのか、どの程度正しいのかを確認する必要があります。
ランダム性については、予測格子分割の選択にランダム性があり、ベストなものではなく、ランダムなものだと理解しています。そして、スタックをレンジで不均等に分割するアルゴリズムがあります。
トレーラーでは、どのようなもの（knn、som、dtwclustなど）を使っても構いませんが、最適なオプションはもちろん実験によって示されます。
誤解しないでいただきたいのは、私が書いたものを使っているわけではなく、あなたの考えを読んで、少し違う側面から実装を見たので、発言したまでです......。結果を保証するものではありません。
私は保証について話しているのでしょうか。ただ、あなたの考えを理解することに興味があります。
Neuroインジケータはほぼ完成しています ))これはEAで、純粋に私の技量不足を示す指標です。
カッコイイですか？))
上のオレンジのゾーンは下降、下の緑のゾーンは上昇を予測します。BTCUSD M1でのみ動作します（現時点では）。
カッコイイですか？))
悪くないといえば悪いのですが、悔しいです。
基本的には通常の買われ過ぎ/売られ過ぎの指標と同じように機能します。
正しいこともあれば、間違っていることもある、あってはならないこと......。
このネットでトレードのテストは全くしていないのですか？私の経験では、儲からないと思うのですが...。
ネットの「信頼性」にフィルターをかければ別ですが。