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 1892 1...188518861887188818891890189118921893189418951896189718981899...3399 新しいコメント Aleksey Vyazmikin 2020.07.19 10:40 #18911 mytarmailS: やった！全ての種類のAMOの認識品質の「差」が5％以下であれば、全ての種類のAMOを使いこなす理由はまだ見つかっていません。どれも、対象をより深く知る（分類 する）ための情報（特徴）が明らかに不足しているので、そうですね、特徴や情報の見せ方ばかりを考えるようになりました。ところで、featuretoolsという、特徴の自動生成に関するpythonの面白いパッケージがあるのですが、残念ながらR-kaで実行することができず、pythonに問題がありました))見てみてください、面白いものだと思います。 また、どのような予測因子を追加したのでしょうか？ PythonとRにはまだ手をつけていません。時間がないのです :( 回帰チャネルでどのような予測変数が思いつくか気になります。私は係数、チャネル構築 ベクトルの繰り返し数、価格がチャネルの境界を横断するポイントを固定しています。 また、回帰チャネルがMT5でどのように計算されるのか、その終点が現在の日付を超えて、すなわち未来に延長されている場合、多分誰が知っていますか？ Renat Akhtyamov 2020.07.19 10:49 #18912 NeuralNetwork: 何でも可能です ) そのため、排水口はすぐ近くにあります;) Maxim Dmitrievsky 2020.07.19 10:51 #18913 mytarmailS: featuretools, 残念ながらRで実行したことはないです、pythonに問題があるので))見てみてください、面白いものだと思います。 考えるか、証明するか、何が面白いか？ In [12]: feature_matrix_customers Out[12]: zip_code COUNT(sessions) NUM_UNIQUE(sessions.device) MODE(sessions.device) SUM(transactions.amount) STD(transactions.amount) MAX(transactions.amount) SKEW(transactions.amount) MIN(transactions.amount) MEAN(transactions.amount) NUM(sessions.device) STD(transactions.amount) SKEW(transactions.amount) MINE(transactions.amount) MINE(transactions.amount) MEAN(transactions. amount) 金額） COUNT（取引） NUM_UNIQUE（取引.商品ID） MODE（取引.商品ID） DAY（誕生日） DAY（参加日） YEAR（誕生日） YEAR（参加日） MONTH（誕生日） MONTH（参加日） WEEKDAY（誕生日） WEEKDAY（参加日） SUM（sessions.SKEW(transactions.amount)） SUM（取引額） DAY（誕生日） YEAR（登場日） MUM（Original） DATA（Of-date_birth） DATA（Off-date_date_date_date_date_date_day_date_date_date） DATA（Ofd_birth_date_date_date_date_dateSUM(sessions.NUM_UNIQUE(transactions.product_id))です。SUM(sessions.MAX(transactions.amount))です。SUM(sessions.MIN(transactions.amount))です。SUM(sessions.STD(transactions.amount))です。SUM(sessions.MEAN(transactions.amount))です。STD(sessions.SKEW(transactions.amount))です。STD(sessions.NUM_UNIQUE(transactions.product_id))。STD(sessions.MAX(transactions.amount))です。STD(sessions.SUM(transactions.amount))です。STD(sessions.COUNT(transactions))。STD(sessions.MIN(transactions.amount))です。STD(sessions.MEAN(transactions.amount))です。MAX(sessions.SKEW(transactions.amount))です。MAX(sessions.NUM_UNIQUE(transactions.product_id))です。MAX(sessions.SUM(transactions.amount))です。MAX(sessions.COUNT(transactions))です。MAX(sessions.MIN(transactions.amount))です。MAX(sessions.STD(transactions.amount))です。MAX(sessions.MEAN(transactions.amount))です。SKEW(sessions.NUM_UNIQUE(transactions.product_id))です。SKEW(sessions.MAX(transactions.amount))です。SKEW(sessions.SUM(transactions.amount))です。SKEW(sessions.COUNT(transactions))。SKEW(sessions.MIN(transactions.amount))です。SKEW(sessions.STD(transactions.amount))です。SKEW(sessions.MEAN(transactions.amount))です。MIN(sessions.SKEW(transactions.amount))です。MIN(sessions.NUM_UNIQUE(transactions.product_id))です。MIN(sessions.MAX(transactions.amount))です。MIN(sessions.SUM(transactions.amount))です。MIN(sessions.COUNT(transactions))です。MIN(sessions.STD(transactions.amount))です。MIN(sessions.MEAN(transactions.amount))です。MEAN(sessions.SKEW(transactions.amount))です。MEAN(sessions.NUM_UNIQUE(transactions.product_id))です。MEAN(sessions.MAX(transactions.amount))です。MEAN(sessions.SUM(transactions.amount))です。MEAN(sessions.COUNT(transactions))です。MEAN(sessions.MIN(transactions.amount))です。MEAN(sessions.STD(transactions.amount))です。MEAN(sessions.MEAN(transactions.amount))です。NUM_UNIQUE(sessions.MODE(transactions.product_id))です。NUM_UNIQUE(sessions.DAY(session_start))NUM_UNIQUE(sessions.WEEKDAY(session_start))NUM_UNIQUE(sessions.YEAR(session_start))NUM_UNIQUE(sessions.MONTH(session_start))MODE(sessions.MODE(transactions.product_id))。MODE(sessions.DAY(session_start))MODE(sessions.WEEKDAY(session_start))。MODE(sessions.YEAR(session_start))MODE(sessions.MONTH(session_start))NUM_UNIQUE(transactions.sessions.device) NUM_UNIQUE(transactions.sessions.customer_id) MODE(transactions.sessions.device) MODE(transactions.sessions.devices)customer_id)customer_id 1 60091 8 3 mobile 9025.62 40.442059 139.43 0.019698 5.81 71.631905 126 5 4 18 17 1994 2011 7 4 0 6 -0.476122 40 1057.97 78.59 312.745952 582.193117 0.589386 0.000000 7.322191 279.510713 4.062019 6.954507 13.759314 0.640252 5 1613.93 25 26.36 46.905665 88.755625 0.000000 -0.780493 0.778170 1.946018 2.440005 -0.312355 -0.424949 -1.038434 5 118.90 809.97 12 30.450261 50.623125 -0.059515 5.000000 132.246250 1128.202500 15.750000 9.823750 39.093244 72.774140 4 1 1 4 1 2 2014 1 3 1 mobile 1 2 13244 7 3 desktop 7200. となりました。28 37.705178 146.81 0.098259 8.73 77.422366 93 5 4 18 15 1986 2012 8 4 0 6 -0.277640 35 931.63 154.60 258.700528 548.905851 0.509798 0.000000 17.221593 251.609234 3.450328 15.874374 11.477071 0.755711 5 1320.64 18 56.46 47.935920 96.581000 0.000000 -1.539467 -0.440929 -0.303276 2.154929 0.013087 0.235296 -0.763603 5 100.04 634.84 8 27.839228 61.910000 -0.039663 5.000000 133.090000 1028.611429 13.285714 22.085714 36.957218 78.415122 4 1 1 1 3 1 2 2014 1 3 13244 6 3 desktop 6236.62 43.683296 149.15 0.418230 5.89 67.060430 93 5 1 21 13 2003 2011 11 8 4 5 2.286086 29 847.63 66.21 257.299895 405.237462 0.429374 0.408248 10.724241 219.021420 2.428992 5.424407 11.174282 0.854976 5 1477.97 18 20.06 50.110120 82.109444 -2.449490 -0.941078 2.246479 -1.507217 1.000771 -0.245703 0.678544 -0.289466 4 126.74 889.21 11 35.704680 55.579412 0.381014 4.833333 141.271667 1039.436667 15.500000 11.035000 42.883316 67.539577 4 1 1 1 1 2 2014 1 3 1 デスクトップ 3 60091 8 3 モバイル 8727.68 45.068765 149.95 -0.036348 5.73 80.070459 109 5 2 15 8 2006 2011 8 4 1 4 0.002764 37 1157.99 131.51 356.125829 649.657515 0.387884 0.517549 3.514421 235.992478 3.335416 16.960575 13.027258 0.382868 5 1351.46 18 54.83 54.293903 110.450000 -0.644061 0.027256 -0.391805 0.282488 2.103510 -1.065663 1.980948 -0.711744 4 139.20 771.68 10 29.026424 70.638182 0.000346 4.625000 144.748750 1090.960000 13.625000 16.438750 44.515729 81.207189 5 1 1 1 1 2 2014 1 3 1 モバイル 4 5 60091 6 3 モバイル 634966 44.095630 149.02 -0.025941 7.55 80.375443 79 5 5 28 17 1984 2010 7 7 5 5 0.014384 30 839.76 86.49 259.873954 472.231119 0.415426 0.000000 7.928001 402.775486 3.600926 4.961414 11.007471 0.602209 5 1700.67 18 20.65 51.149250 94.481667 0.000000 -0.333796 0.472342 -0.317685 -0.470410 0.204548 0.335175 -0.539060 5 128.51 543.18 8 36.734681 66.666667 0.002397 5.000000 139.960000 1058.276667 13.166667 14.415000 43.312326 78.705187 5 1 1 1 3 1 2 Machine learning in trading: Practical advice, please. Off-topic MT4/mql4 questions. mytarmailS 2020.07.19 10:54 #18914 アレクセイ・ヴャジミキン回帰チャネルでどんな予測変数が思いつくか、考えています。私は、考えることも発明することもせず、特性を合成してチェックする書き換えアルゴリズムのようなものを書いて、その特性が良ければそのまま、悪ければ捨てて、何百万もの選択肢の中から選ぶ方が、明らかに人間が発明するよりも効率的だという結論に達しました。その後、良い兆候を改善・修正し、また、エラーが出るまで...といった具合です。イワフネンコの文章とMSUA方式に触発されました。 この方式の哲学そのものが好きなのです。マキシム・ドミトリエフスキー： そこで何が面白いのか？ 私はパッケージを実行できなかったと書きましたが、触ってもいないのにどうやって証明できるのでしょうか。 Maxim Dmitrievsky 2020.07.19 10:58 #18915 mytarmailS: パッケージを実行できなかったと書きましたが、触ってもいないのにどうやって証明するのでしょうか。ドキュメントを読んで、いくつかのトリックがあり、試すことに意味があるのですが、上記の理由で試していません。 ミディアム、スタッド、モッドを自分で探すのは無理がある。 どんなタイシリーズでも完璧です。だから、手作業でやる必要はないんです。 これは、ここで紹介されているLSTMに入れるべきです mytarmailS 2020.07.19 10:59 #18916 マキシム・ドミトリエフスキー： 中庸、標準、ファッションを自分で見つけることはできない。 原始的なものばかりではない... 続きを読む しかし、最終的にはもちろん自分で機能シンセサイザーを書かなければならないでしょう Maxim Dmitrievsky 2020.07.19 11:05 #18917 mytarmailS: 原始的なものばかりではありません、続きを読むボットはほぼ完成しています！テストはもうすぐです。 どれだけの地縛霊を克服したことか mytarmailS 2020.07.19 11:06 #18918 マキシム・ドミトリエフスキー： ボットもあと少しで完成！ テストはこれからです。 ウエイト） Petros Shatakhtsyan 2020.07.19 11:13 #18919 NeuralNetwork: 彼は3年前からニューロンで取引している。個人的に話を聞いてみた。少なくとも100,000,000のアカウントを管理している。 彼のプロフィールを開けば、すべてのアカウントが表示される。彼は成功 した。だから、あなたもそうなる。今やらなければ、後で成功する。 あきらめるな) 彼はそれを実行し、3年間デモ口座で 取引している)。 Renat Akhtyamov 2020.07.19 11:25 #18920 Petros Shatakhtsyan： 作ったそうで、そのために3年前からデモ口座で 取引しているそうです ?) そうこなくっちゃ 金持ちになれるという幻想を踏みにじったのだ． 1...188518861887188818891890189118921893189418951896189718981899...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
やった！全ての種類のAMOの認識品質の「差」が5％以下であれば、全ての種類のAMOを使いこなす理由はまだ見つかっていません。どれも、対象をより深く知る（分類 する）ための情報（特徴）が明らかに不足しているので、そうですね、特徴や情報の見せ方ばかりを考えるようになりました。
ところで、featuretoolsという、特徴の自動生成に関するpythonの面白いパッケージがあるのですが、残念ながらR-kaで実行することができず、pythonに問題がありました))見てみてください、面白いものだと思います。
また、どのような予測因子を追加したのでしょうか？
PythonとRにはまだ手をつけていません。時間がないのです :(
回帰チャネルでどのような予測変数が思いつくか気になります。私は係数、チャネル構築 ベクトルの繰り返し数、価格がチャネルの境界を横断するポイントを固定しています。
また、回帰チャネルがMT5でどのように計算されるのか、その終点が現在の日付を超えて、すなわち未来に延長されている場合、多分誰が知っていますか？
何でも可能です )
featuretools, 残念ながらRで実行したことはないです、pythonに問題があるので))見てみてください、面白いものだと思います。
考えるか、証明するか、何が面白いか？
In [12]: feature_matrix_customers Out[12]: zip_code COUNT(sessions) NUM_UNIQUE(sessions.device) MODE(sessions.device) SUM(transactions.amount) STD(transactions.amount) MAX(transactions.amount) SKEW(transactions.amount) MIN(transactions.amount) MEAN(transactions.amount) NUM(sessions.device) STD(transactions.amount) SKEW(transactions.amount) MINE(transactions.amount) MINE(transactions.amount) MEAN(transactions. amount) 金額） COUNT（取引） NUM_UNIQUE（取引.商品ID） MODE（取引.商品ID） DAY（誕生日） DAY（参加日） YEAR（誕生日） YEAR（参加日） MONTH（誕生日） MONTH（参加日） WEEKDAY（誕生日） WEEKDAY（参加日） SUM（sessions.SKEW(transactions.amount)） SUM（取引額） DAY（誕生日） YEAR（登場日） MUM（Original） DATA（Of-date_birth） DATA（Off-date_date_date_date_date_date_day_date_date_date） DATA（Ofd_birth_date_date_date_date_dateSUM(sessions.NUM_UNIQUE(transactions.product_id))です。SUM(sessions.MAX(transactions.amount))です。SUM(sessions.MIN(transactions.amount))です。SUM(sessions.STD(transactions.amount))です。SUM(sessions.MEAN(transactions.amount))です。STD(sessions.SKEW(transactions.amount))です。STD(sessions.NUM_UNIQUE(transactions.product_id))。STD(sessions.MAX(transactions.amount))です。STD(sessions.SUM(transactions.amount))です。STD(sessions.COUNT(transactions))。STD(sessions.MIN(transactions.amount))です。STD(sessions.MEAN(transactions.amount))です。MAX(sessions.SKEW(transactions.amount))です。MAX(sessions.NUM_UNIQUE(transactions.product_id))です。MAX(sessions.SUM(transactions.amount))です。MAX(sessions.COUNT(transactions))です。MAX(sessions.MIN(transactions.amount))です。MAX(sessions.STD(transactions.amount))です。MAX(sessions.MEAN(transactions.amount))です。SKEW(sessions.NUM_UNIQUE(transactions.product_id))です。SKEW(sessions.MAX(transactions.amount))です。SKEW(sessions.SUM(transactions.amount))です。SKEW(sessions.COUNT(transactions))。SKEW(sessions.MIN(transactions.amount))です。SKEW(sessions.STD(transactions.amount))です。SKEW(sessions.MEAN(transactions.amount))です。MIN(sessions.SKEW(transactions.amount))です。MIN(sessions.NUM_UNIQUE(transactions.product_id))です。MIN(sessions.MAX(transactions.amount))です。MIN(sessions.SUM(transactions.amount))です。MIN(sessions.COUNT(transactions))です。MIN(sessions.STD(transactions.amount))です。MIN(sessions.MEAN(transactions.amount))です。MEAN(sessions.SKEW(transactions.amount))です。MEAN(sessions.NUM_UNIQUE(transactions.product_id))です。MEAN(sessions.MAX(transactions.amount))です。MEAN(sessions.SUM(transactions.amount))です。MEAN(sessions.COUNT(transactions))です。MEAN(sessions.MIN(transactions.amount))です。MEAN(sessions.STD(transactions.amount))です。MEAN(sessions.MEAN(transactions.amount))です。NUM_UNIQUE(sessions.MODE(transactions.product_id))です。NUM_UNIQUE(sessions.DAY(session_start))NUM_UNIQUE(sessions.WEEKDAY(session_start))NUM_UNIQUE(sessions.YEAR(session_start))NUM_UNIQUE(sessions.MONTH(session_start))MODE(sessions.MODE(transactions.product_id))。MODE(sessions.DAY(session_start))MODE(sessions.WEEKDAY(session_start))。MODE(sessions.YEAR(session_start))MODE(sessions.MONTH(session_start))NUM_UNIQUE(transactions.sessions.device) NUM_UNIQUE(transactions.sessions.customer_id) MODE(transactions.sessions.device) MODE(transactions.sessions.devices)customer_id)customer_id 1 60091 8 3 mobile 9025.62 40.442059 139.43 0.019698 5.81 71.631905 126 5 4 18 17 1994 2011 7 4 0 6 -0.476122 40 1057.97 78.59 312.745952 582.193117 0.589386 0.000000 7.322191 279.510713 4.062019 6.954507 13.759314 0.640252 5 1613.93 25 26.36 46.905665 88.755625 0.000000 -0.780493 0.778170 1.946018 2.440005 -0.312355 -0.424949 -1.038434 5 118.90 809.97 12 30.450261 50.623125 -0.059515 5.000000 132.246250 1128.202500 15.750000 9.823750 39.093244 72.774140 4 1 1 4 1 2 2014 1 3 1 mobile 1 2 13244 7 3 desktop 7200. となりました。28 37.705178 146.81 0.098259 8.73 77.422366 93 5 4 18 15 1986 2012 8 4 0 6 -0.277640 35 931.63 154.60 258.700528 548.905851 0.509798 0.000000 17.221593 251.609234 3.450328 15.874374 11.477071 0.755711 5 1320.64 18 56.46 47.935920 96.581000 0.000000 -1.539467 -0.440929 -0.303276 2.154929 0.013087 0.235296 -0.763603 5 100.04 634.84 8 27.839228 61.910000 -0.039663 5.000000 133.090000 1028.611429 13.285714 22.085714 36.957218 78.415122 4 1 1 1 3 1 2 2014 1 3 13244 6 3 desktop 6236.62 43.683296 149.15 0.418230 5.89 67.060430 93 5 1 21 13 2003 2011 11 8 4 5 2.286086 29 847.63 66.21 257.299895 405.237462 0.429374 0.408248 10.724241 219.021420 2.428992 5.424407 11.174282 0.854976 5 1477.97 18 20.06 50.110120 82.109444 -2.449490 -0.941078 2.246479 -1.507217 1.000771 -0.245703 0.678544 -0.289466 4 126.74 889.21 11 35.704680 55.579412 0.381014 4.833333 141.271667 1039.436667 15.500000 11.035000 42.883316 67.539577 4 1 1 1 1 2 2014 1 3 1 デスクトップ 3 60091 8 3 モバイル 8727.68 45.068765 149.95 -0.036348 5.73 80.070459 109 5 2 15 8 2006 2011 8 4 1 4 0.002764 37 1157.99 131.51 356.125829 649.657515 0.387884 0.517549 3.514421 235.992478 3.335416 16.960575 13.027258 0.382868 5 1351.46 18 54.83 54.293903 110.450000 -0.644061 0.027256 -0.391805 0.282488 2.103510 -1.065663 1.980948 -0.711744 4 139.20 771.68 10 29.026424 70.638182 0.000346 4.625000 144.748750 1090.960000 13.625000 16.438750 44.515729 81.207189 5 1 1 1 1 2 2014 1 3 1 モバイル 4 5 60091 6 3 モバイル 634966 44.095630 149.02 -0.025941 7.55 80.375443 79 5 5 28 17 1984 2010 7 7 5 5 0.014384 30 839.76 86.49 259.873954 472.231119 0.415426 0.000000 7.928001 402.775486 3.600926 4.961414 11.007471 0.602209 5 1700.67 18 20.65 51.149250 94.481667 0.000000 -0.333796 0.472342 -0.317685 -0.470410 0.204548 0.335175 -0.539060 5 128.51 543.18 8 36.734681 66.666667 0.002397 5.000000 139.960000 1058.276667 13.166667 14.415000 43.312326 78.705187 5 1 1 1 3 1 2
回帰チャネルでどんな予測変数が思いつくか、考えています。
私は、考えることも発明することもせず、特性を合成してチェックする書き換えアルゴリズムのようなものを書いて、その特性が良ければそのまま、悪ければ捨てて、何百万もの選択肢の中から選ぶ方が、明らかに人間が発明するよりも効率的だという結論に達しました。
その後、良い兆候を改善・修正し、また、エラーが出るまで...といった具合です。
イワフネンコの文章とMSUA方式に触発されました。 この方式の哲学そのものが好きなのです。
そこで何が面白いのか？
パッケージを実行できなかったと書きましたが、触ってもいないのにどうやって証明するのでしょうか。ドキュメントを読んで、いくつかのトリックがあり、試すことに意味があるのですが、上記の理由で試していません。
ミディアム、スタッド、モッドを自分で探すのは無理がある。
どんなタイシリーズでも完璧です。だから、手作業でやる必要はないんです。
これは、ここで紹介されているLSTMに入れるべきです
中庸、標準、ファッションを自分で見つけることはできない。
原始的なものばかりではない... 続きを読む
しかし、最終的にはもちろん自分で機能シンセサイザーを書かなければならないでしょう
原始的なものばかりではありません、続きを読む
ボットはほぼ完成しています！テストはもうすぐです。
どれだけの地縛霊を克服したことかボットもあと少しで完成！ テストはこれからです。
ウエイト）
彼は3年前からニューロンで取引している。個人的に話を聞いてみた。少なくとも100,000,000のアカウントを管理している。 彼のプロフィールを開けば、すべてのアカウントが表示される。彼は成功 した。だから、あなたもそうなる。今やらなければ、後で成功する。 あきらめるな)
彼はそれを実行し、3年間デモ口座で 取引している)。
作ったそうで、そのために3年前からデモ口座で 取引しているそうです ?)
そうこなくっちゃ
金持ちになれるという幻想を踏みにじったのだ．