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 1806 1...179918001801180218031804180518061807180818091810181118121813...3399 新しいコメント ipsec 2020.06.09 23:26 #18051 みなさん、こんにちは。 Deep Reinforcement Learning（Python使用）を使っていますが、すでに学習が行われています（表示通り）。 現在では、移動平均線は勉強のための相場観察にしか使っていません。 このモデルは、いくつかのアクション（買い、売り、待ち）を実行します。そのため、学習後は多くの行動でモデルが収束し、最適な行動のみで「待つ」ことができるようになる。 しかし、このモデルでは、すべてのティックを使用するため、学習が非常に遅くなります。 精度を高め、損失を減らすための市場観測データとして、どのようなものを提案されますか？ 私の翻訳ミスをお詫びします。 mytarmailS 2020.06.10 06:45 #18052 ipsec です。 精度を高め、ロスを減らすための市場観測データとして、どのようなものを提案されますか？ 1) 市場モデルを 作成し、その中でエージェントを学習させる。これにより、次元を減らし、学習速度を上げることができる。 ここでも、そのようにした 2) 特徴量の選択、これは創造的な作業と言われるように、特徴量が多ければ次元を減らすのに役立つ。クラスタリングからpca、umapなど、様々なものがある。 サポートとレジスタンスのレベルを決めて、そのレベルに価格があるときだけ売買することにすれば、学習サンプルを一桁減らすことができるのです。 すべてのポイントをまとめると． Valeriy Yastremskiy 2020.06.10 07:59 #18053 ipsec: みなさん、こんにちは。 Deep Reinforcement Learning（Python使用）を使っていますが、すでに学習が行われています（表示通り）。 現在では、移動平均線は勉強のための相場観察としてしか使っていません。 このモデルは、いくつかのアクション（買い、売り、待ち）を実行します。そのため、学習後は多くの行動でモデルが収束し、最適な行動のみで「待つ」ことができるようになる。 しかし、このモデルでは、すべてのティックを使用するため、学習が非常に遅くなります。 精度を高め、損失を減らすための市場観測データとして、どのようなものを提案されますか？ 翻訳ミスをお許しください 許容範囲内の誤差になるように刻みを間引く。 すべての目盛りを消したときに許容誤差を超える箇所を特定する。 もちろん、そのような領域を見つけることができれば、モデルを訓練する)))) Valeriy Yastremskiy 2020.06.10 08:59 #18054 マキシム・ドミトリエフスキー： まあ、これも状態空間モデルですから、たまには動くんですけどね。 そして、ターゲットをトレンドの変化と結びつけることができるのです。課題は利益を得ることではなく、認識し予測することです。両者は全く別の課題であることは明らかであり、NSは認識と予測を同時に行うことはできない))))目標利益、バランスは直接的に認識せず、間接的にターニングポイントを認識する。 例えば、日足、4時間足、1時間足（またはその他の）ジグザグ反転を取り上げ、それぞれの（すべての）タイムフレームで転換点の前後120本、120ティックを見てみます。日足と4hは、次と前の反転までしか見ていないか、もっといい方法がわからない。その時はもちろん、データを用意するために何か手書きで書く必要があります。 それとも似たようなものがあるのでしょうか。 Maxim Dmitrievsky 2020.06.10 10:15 #18055 Valeriy Yastremskiy： あるいは、ターゲットをトレンドの変化と結びつけてもよいでしょう。課題は利益を得ることではなく、認識し予測することです。この2つは全く別の課題であることは明らかで、NSは認識と予測を同時に行うことはできない))))目標利益、バランスは直接的に認識せず、間接的にターニングポイントを認識する。例えば、日足、4時間足、1時間足（またはその他の）ジグザグ反転を取り上げ、それぞれの（すべての）タイムフレームで転換点の前後120本、120ティックを見てみます。日足と4hは、次と前の反転までしか見ていないか、もっといい方法がわからない。その時はもちろん、データを用意するために何か手書きで書く必要があります。それとも、似たようなものがあるのでしょうか？ ジグザグの切れ目の間に規則性があること、すなわちエントロピーが減少していることを非常に簡単に確認することができます。sbとの差が出るのであれば、見ればいい。でも、そんなものは見つかっていない。医学の世界では、DNAを解析して薬の処方を導き出すために使われる、特別なパッケージがあります。例えば再配列エントロピー、あるいは近似器やq-learningのような最適化器を用いたより複雑なケースなど Maxim Dmitrievsky 2020.06.10 10:27 #18056 ipsec: みなさん、こんにちは。 Deep Reinforcement Learning（Python使用）を使っていますが、すでに学習が行われています（表示通り）。 現在では、移動平均線は勉強のための相場観察にしか使っていません。 このモデルは、いくつかのアクション（買い、売り、待ち）を実行します。そのため、学習後は多くの行動でモデルが収束し、最適な行動のみで「待つ」ことができるようになる。 しかし、このモデルでは、すべてのティックを使用するため、学習が非常に遅くなります。 精度を高め、損失を減らすための市場観測データとして、どのようなものを提案されますか？ 翻訳ミスで申し訳ありません。 深層強化は、あくまで多変量解析のタスクに使われるもので、金融市場のような1〜5次元のものには向かないと思っています。そのため、ニューラルネットワークや線形近似器を用いたREINFORCEなど、よりシンプルで高速な方法を試すことができます。 Valeriy Yastremskiy 2020.06.10 10:38 #18057 Maxim Dmitrievsky: これはジグザグの切れ目の間に規則性があること、つまりエントロピーが減少していることで非常に簡単に確認できます。sbとの違いがあれば、見ることができる。でも、そんなものは見つかっていない。医学の世界では、DNAを解析して薬の処方を導き出すために使われる、特別なパッケージがあります。例えば、順列エントロピーや、近似器やq-learningのような最適化器を使ったより複雑なケースなどです。 な、骨折り損のレギュラーは通用しない))))一般的に、骨折前のSBと同じような違いがある骨折は、骨折をキャッチできる可能性があります。通常のパッケージではできないことです。また、トレンドの途中でのブレイクには、トレンドが長すぎるということ以外に、特に意味はないと思います))) Maxim Dmitrievsky 2020.06.10 11:05 #18058 Valeriy Yastremskiy： な、骨折り損のレギュラーは通用しない))))一般的に、骨折前のSBと同じような違いがあるものは、骨折をキャッチできる可能性があります。通常のパッケージではできないことです。そして、トレンドの途中のブレイクには、トレンドが長すぎるということ以外に意味がないと思います)))。 なるほど、TFの相関関係から類推すると。試すことができる Valeriy Yastremskiy 2020.06.10 11:07 #18059 マキシム・ドミトリエフスキー： 深層強化は、金融市場のような1〜5次元のものではなく、多変量のタスクに使われるだけだと思います。そのため、ニューラルネットワークや線形近似器を用いたREINFORCEなど、よりシンプルで高速な方法を試すことができます。 異なるTFを見れば、より多くの次元を得ることができます)))) Valeriy Yastremskiy 2020.06.10 11:12 #18060 マキシム・ドミトリエフスキー： なるほど、TFの相関関係から類推すると。試してみるのもいい。 TFは全て見るべきで、一度にどれが必要かを判断することはできません。TFは一つか二つの方がいいかもしれないし、全部必要かもしれない)))。考え抜くのは難しいですね)) 1...179918001801180218031804180518061807180818091810181118121813...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
みなさん、こんにちは。
Deep Reinforcement Learning（Python使用）を使っていますが、すでに学習が行われています（表示通り）。
現在では、移動平均線は勉強のための相場観察にしか使っていません。
このモデルは、いくつかのアクション（買い、売り、待ち）を実行します。そのため、学習後は多くの行動でモデルが収束し、最適な行動のみで「待つ」ことができるようになる。
しかし、このモデルでは、すべてのティックを使用するため、学習が非常に遅くなります。
精度を高め、損失を減らすための市場観測データとして、どのようなものを提案されますか？
私の翻訳ミスをお詫びします。
精度を高め、ロスを減らすための市場観測データとして、どのようなものを提案されますか？
1) 市場モデルを 作成し、その中でエージェントを学習させる。これにより、次元を減らし、学習速度を上げることができる。 ここでも、そのようにした
2) 特徴量の選択、これは創造的な作業と言われるように、特徴量が多ければ次元を減らすのに役立つ。クラスタリングからpca、umapなど、様々なものがある。
サポートとレジスタンスのレベルを決めて、そのレベルに価格があるときだけ売買することにすれば、学習サンプルを一桁減らすことができるのです。
すべてのポイントをまとめると．
みなさん、こんにちは。
Deep Reinforcement Learning（Python使用）を使っていますが、すでに学習が行われています（表示通り）。
現在では、移動平均線は勉強のための相場観察としてしか使っていません。
このモデルは、いくつかのアクション（買い、売り、待ち）を実行します。そのため、学習後は多くの行動でモデルが収束し、最適な行動のみで「待つ」ことができるようになる。
しかし、このモデルでは、すべてのティックを使用するため、学習が非常に遅くなります。
精度を高め、損失を減らすための市場観測データとして、どのようなものを提案されますか？
翻訳ミスをお許しください
許容範囲内の誤差になるように刻みを間引く。
すべての目盛りを消したときに許容誤差を超える箇所を特定する。
もちろん、そのような領域を見つけることができれば、モデルを訓練する))))
まあ、これも状態空間モデルですから、たまには動くんですけどね。
そして、ターゲットをトレンドの変化と結びつけることができるのです。課題は利益を得ることではなく、認識し予測することです。両者は全く別の課題であることは明らかであり、NSは認識と予測を同時に行うことはできない))))目標利益、バランスは直接的に認識せず、間接的にターニングポイントを認識する。
例えば、日足、4時間足、1時間足（またはその他の）ジグザグ反転を取り上げ、それぞれの（すべての）タイムフレームで転換点の前後120本、120ティックを見てみます。日足と4hは、次と前の反転までしか見ていないか、もっといい方法がわからない。その時はもちろん、データを用意するために何か手書きで書く必要があります。
それとも似たようなものがあるのでしょうか。
あるいは、ターゲットをトレンドの変化と結びつけてもよいでしょう。課題は利益を得ることではなく、認識し予測することです。この2つは全く別の課題であることは明らかで、NSは認識と予測を同時に行うことはできない))))目標利益、バランスは直接的に認識せず、間接的にターニングポイントを認識する。
例えば、日足、4時間足、1時間足（またはその他の）ジグザグ反転を取り上げ、それぞれの（すべての）タイムフレームで転換点の前後120本、120ティックを見てみます。日足と4hは、次と前の反転までしか見ていないか、もっといい方法がわからない。その時はもちろん、データを用意するために何か手書きで書く必要があります。
それとも、似たようなものがあるのでしょうか？
みなさん、こんにちは。
Deep Reinforcement Learning（Python使用）を使っていますが、すでに学習が行われています（表示通り）。
現在では、移動平均線は勉強のための相場観察にしか使っていません。
このモデルは、いくつかのアクション（買い、売り、待ち）を実行します。そのため、学習後は多くの行動でモデルが収束し、最適な行動のみで「待つ」ことができるようになる。
しかし、このモデルでは、すべてのティックを使用するため、学習が非常に遅くなります。
精度を高め、損失を減らすための市場観測データとして、どのようなものを提案されますか？
翻訳ミスで申し訳ありません。
深層強化は、あくまで多変量解析のタスクに使われるもので、金融市場のような1〜5次元のものには向かないと思っています。そのため、ニューラルネットワークや線形近似器を用いたREINFORCEなど、よりシンプルで高速な方法を試すことができます。
これはジグザグの切れ目の間に規則性があること、つまりエントロピーが減少していることで非常に簡単に確認できます。sbとの違いがあれば、見ることができる。でも、そんなものは見つかっていない。医学の世界では、DNAを解析して薬の処方を導き出すために使われる、特別なパッケージがあります。例えば、順列エントロピーや、近似器やq-learningのような最適化器を使ったより複雑なケースなどです。
な、骨折り損のレギュラーは通用しない))))一般的に、骨折前のSBと同じような違いがある骨折は、骨折をキャッチできる可能性があります。通常のパッケージではできないことです。また、トレンドの途中でのブレイクには、トレンドが長すぎるということ以外に、特に意味はないと思います)))
な、骨折り損のレギュラーは通用しない))))一般的に、骨折前のSBと同じような違いがあるものは、骨折をキャッチできる可能性があります。通常のパッケージではできないことです。そして、トレンドの途中のブレイクには、トレンドが長すぎるということ以外に意味がないと思います)))。
なるほど、TFの相関関係から類推すると。試すことができる
深層強化は、金融市場のような1〜5次元のものではなく、多変量のタスクに使われるだけだと思います。そのため、ニューラルネットワークや線形近似器を用いたREINFORCEなど、よりシンプルで高速な方法を試すことができます。
異なるTFを見れば、より多くの次元を得ることができます))))
なるほど、TFの相関関係から類推すると。試してみるのもいい。
TFは全て見るべきで、一度にどれが必要かを判断することはできません。TFは一つか二つの方がいいかもしれないし、全部必要かもしれない)))。考え抜くのは難しいですね))