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 2017 1...201020112012201320142015201620172018201920202021202220232024...3399 新しいコメント Aleksey Vyazmikin 2020.10.12 23:22 #20161 mytarmailS: ラウンドレベル」を標識として使ってみた方はいらっしゃいますか？あるいは、価格の処理方法として？例えば、円形の値で価格をマークすることができます...同じ行にある値を削除することは可能です。情報圧縮がうまく、さらにフィルタリングもできる・・・おそらく、このようなチャートでモデルのパターンを探すのは簡単だろう・・・。プレディクターを作る予定です。ここのロジックは、レベルに応じたオプションのストライクがあるので、モエックスには有効かもしれませんね。 チャートが面白い、MQLはアルゴリズムを早く知りたい...。 Maxim Dmitrievsky 2020.10.12 23:29 #20162 Aleksey Vyazmikin： ジャミングについて - エラーの修正方法を変える必要があるのかもしれません。なぜブラックボックスかというと、2～3層しかないのであれば、係数で解きほぐすのがかなり現実的だからです。ここでの小さな係数は粗くし、ゼロにすることで、ニューロンへの入力数を減らすことができる。 変えたほうがいいかも」ってどういうこと？ 計算方法とアクティベーションフォントの仕組みについて教えてください。それとも、ネットワーク開発者は馬鹿だから知らないのか？ 学位や数学的背景もないのに、なぜこんなことに首を突っ込んで車輪の再発明をするのか？くだらない無駄遣いです。技術があって、それをどう使うかが書かれている。 Aleksey Vyazmikin 2020.10.12 23:50 #20163 マキシム・ドミトリエフスキー： 変更する必要があるかもしれない」とはどういう意味ですか？ 数学と活性化関数の仕組みを学んでください。あるいは、ネットワーク開発者が馬鹿なので、気がつかなかったかなぜなら、憶測ばかりで具体性ゼロの時間の無駄だからです。オートエンコーダーをいじって、バンチングやNSにホットキーを追加して、その結果を見せてくれただけですね。以上です。何も凝る必要はないのです。深いアーキテクチャは解析されるために作られるのではなく、解析のルーチンを減らすために作られるのです。なぜ、学位も数学的背景もないのに、こんなことに首を突っ込んで車輪を再発明するのか？くだらない無駄遣いです。技術があって、それをどう使うかが書かれている、ただそれだけです。多くの人が取り組んでいます。 既製品のアウトオブボックスソリューションが、私が設定した課題を解決してくれるなら、私は何も発明する必要はないのです。 現在、大規模なサンプルを準備し、CatBoostで 多くのモデルをトレーニングする予定です。 Maxim Dmitrievsky 2020.10.12 23:52 #20164 Aleksey Vyazmikin： 箱の中にある既成のソリューションが、私の課した課題を解決してくれるのであれば、何も発明する必要はないのだが、残念なことに。今、私は大きなサンプルを準備し、CatBoostで多くのモデルを訓練する予定ですが、リアルタイムでさらにうまく適用する目的で、モデルの品質を推定する方法があります - 私は研究の結果を共有します。Catboostは時系列の予測に 最適なソリューションとは思えません。 分類で勝負しても無駄だ Aleksey Vyazmikin 2020.10.13 00:37 #20165 マキシム・ドミトリエフスキー： Catbustは、時系列予測には適して いません。 純粋に分類して遊ぶだけでは意味がない また、効果があるかないかは、どのように判断するのでしょうか？ テスターで1年間利益を出しているモデル（約1年前にトレーニング済み）があるのですが、それがランダムだと言いたいのでしょうか？ 確かにCatBoostは、後処理の葉を持つ遺伝木には劣りますが、学習が非常に速いです。 そして、何が有効なのか、NS? Maxim Dmitrievsky 2020.10.13 01:20 #20166 Aleksey Vyazmikin： 効いているかどうか、どうやって判断するのですか？テスターで1年間利益を出しているモデル（1年ほど前にトレーニング済み）があるのですが、まぐれ当たりだと言いたいのでしょうか？確かにCatBoostは、後処理の葉を持つ遺伝木には劣りますが、学習が非常に速いです。そして、何が有効なのか、NS? 定義していない、アーキテクチャ自体は他のタスクのためにある はい、すべてランダムです。 まだ何も動作していない ) Aleksey Nikolayev 2020.10.13 05:00 #20167 Aleksey Vyazmikin： プレディクターは裸の価格ではありません。似ているかもしれない相対的なポイントがたくさんあります...。相関関係によるスクリーニングが有効なのかどうか...。 一度試してみてはいかがでしょうか。否定的な結果もまた、結果である（さらに考えるための材料という意味で）。 ここで、nは2つのシステムのうち少なくとも1つがトレードのシグナルを出したバーの数、n1は両方のシステムから同時に同じ方向のシグナルが出たバーの数、n2は 両方のシステムから同時に 反対方向のシグナルが出たバーの数である。 この行列は、クラスタリング、間引き、ポートフォリオ形成に利用することができます。 Aleksey Vyazmikin 2020.10.13 09:13 #20168 マキシム・ドミトリエフスキー： 決定したわけではありませんが、アーキテクチャ自体は他のタスクのためにあります。ええ、すべてランダムです。今のところ動作していません ) もちろん、ここでは時系列のシャープニングは行っていませんので、予測変数はY座標の情報だけでなく、X座標の情報も含んでいる必要があります。 このようなランダムなパターンを識別する方法を学べば、人はプロになれるだろう。 例年サンプリングした葉っぱの6割以上が動いているのは非常に、分類の悪いデータ処理手法の考え方が健全であることを裏付けていると思います。もっと多くの人が取り組めば、もっと良い結果が得られるはずですが、みんなブリブリしています。 Maxim Dmitrievsky 2020.10.13 09:27 #20169 Aleksey Vyazmikin： もちろん、ここでは時系列のシャープニングは行わないので、予測変数はY座標の情報だけでなく、X座標の情報を含む必要があります。このようなランダムなパターンを識別する方法を学べば、人は利益を得ることができるのである。例年サンプリングした葉っぱの6割以上が動いているのは非常に、分類の悪いデータ処理手法の考え方が健全であることを裏付けていると思います。もっと多くの人がアイデアを出していれば、もっと良い結果が得られるはずですが、みんなブリブリしていますね。 記事が望んだような...アプローチの要点をスケッチする。まだ、何をやっているのか理解できていません :D 私は、時系列から モデル自身が自動的に特徴を抽出するべきだという考えを持っています（もしあれば）。しかも、手動で何かをする必要はありません。小刻みで十分です。問題は、そのアーキテクチャです。例えば、NLP（神経言語処理）のように、ニューラルネットワーク自身が単語列の文脈、つまり時系列サンプル間の関係を決定する。 Aleksey Vyazmikin 2020.10.13 09:53 #20170 アレクセイ・ニコラエフ： 一度試してみてはいかがでしょうか。否定的な結果もまた、結果である（さらに考えるための材料という意味で）。ここで、nは2つのシステムのうち少なくとも1つが売買のシグナルを出したバーの数、n1は両方のシステムから同時に同じ方向のシグナルが出たバーの数、n2は 両方のシステムから同時に 反対方向のシグナルが出たバーの数です。これらの比率の行列は、クラスタリング、間引き、ポートフォリオ形成に利用することができます。 予測因子とどう関係があるのでしょうか？ 葉っぱの選択でも似たようなことをするのですが、サンプルで葉っぱの回答数が違うので、同じような回答で長さが違う葉っぱが同じグループに属することを考慮しなければならない、という引っかかりがありますね。 1...201020112012201320142015201620172018201920202021202220232024...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
ラウンドレベル」を標識として使ってみた方はいらっしゃいますか？
あるいは、価格の処理方法として？
例えば、円形の値で価格をマークすることができます...
同じ行にある値を削除することは可能です。
情報圧縮がうまく、さらにフィルタリングもできる・・・おそらく、このようなチャートでモデルのパターンを探すのは簡単だろう・・・。
プレディクターを作る予定です。ここのロジックは、レベルに応じたオプションのストライクがあるので、モエックスには有効かもしれませんね。
チャートが面白い、MQLはアルゴリズムを早く知りたい...。ジャミングについて - エラーの修正方法を変える必要があるのかもしれません。
なぜブラックボックスかというと、2～3層しかないのであれば、係数で解きほぐすのがかなり現実的だからです。ここでの小さな係数は粗くし、ゼロにすることで、ニューロンへの入力数を減らすことができる。
変えたほうがいいかも」ってどういうこと？ 計算方法とアクティベーションフォントの仕組みについて教えてください。それとも、ネットワーク開発者は馬鹿だから知らないのか？
学位や数学的背景もないのに、なぜこんなことに首を突っ込んで車輪の再発明をするのか？くだらない無駄遣いです。技術があって、それをどう使うかが書かれている。
変更する必要があるかもしれない」とはどういう意味ですか？ 数学と活性化関数の仕組みを学んでください。あるいは、ネットワーク開発者が馬鹿なので、気がつかなかったか
なぜなら、憶測ばかりで具体性ゼロの時間の無駄だからです。オートエンコーダーをいじって、バンチングやNSにホットキーを追加して、その結果を見せてくれただけですね。以上です。何も凝る必要はないのです。深いアーキテクチャは解析されるために作られるのではなく、解析のルーチンを減らすために作られるのです。
なぜ、学位も数学的背景もないのに、こんなことに首を突っ込んで車輪を再発明するのか？くだらない無駄遣いです。技術があって、それをどう使うかが書かれている、ただそれだけです。多くの人が取り組んでいます。
既製品のアウトオブボックスソリューションが、私が設定した課題を解決してくれるなら、私は何も発明する必要はないのです。
現在、大規模なサンプルを準備し、CatBoostで 多くのモデルをトレーニングする予定です。
箱の中にある既成のソリューションが、私の課した課題を解決してくれるのであれば、何も発明する必要はないのだが、残念なことに。
今、私は大きなサンプルを準備し、CatBoostで多くのモデルを訓練する予定ですが、リアルタイムでさらにうまく適用する目的で、モデルの品質を推定する方法があります - 私は研究の結果を共有します。
Catboostは時系列の予測に 最適なソリューションとは思えません。
分類で勝負しても無駄だCatbustは、時系列予測には適して いません。
純粋に分類して遊ぶだけでは意味がないまた、効果があるかないかは、どのように判断するのでしょうか？
テスターで1年間利益を出しているモデル（約1年前にトレーニング済み）があるのですが、それがランダムだと言いたいのでしょうか？
確かにCatBoostは、後処理の葉を持つ遺伝木には劣りますが、学習が非常に速いです。
そして、何が有効なのか、NS?
効いているかどうか、どうやって判断するのですか？
テスターで1年間利益を出しているモデル（1年ほど前にトレーニング済み）があるのですが、まぐれ当たりだと言いたいのでしょうか？
確かにCatBoostは、後処理の葉を持つ遺伝木には劣りますが、学習が非常に速いです。
そして、何が有効なのか、NS?
定義していない、アーキテクチャ自体は他のタスクのためにある
はい、すべてランダムです。
まだ何も動作していない )
プレディクターは裸の価格ではありません。似ているかもしれない相対的なポイントがたくさんあります...。
相関関係によるスクリーニングが有効なのかどうか...。
一度試してみてはいかがでしょうか。否定的な結果もまた、結果である（さらに考えるための材料という意味で）。
ここで、nは2つのシステムのうち少なくとも1つがトレードのシグナルを出したバーの数、n1は両方のシステムから同時に同じ方向のシグナルが出たバーの数、n2は 両方のシステムから同時に 反対方向のシグナルが出たバーの数である。
この行列は、クラスタリング、間引き、ポートフォリオ形成に利用することができます。
決定したわけではありませんが、アーキテクチャ自体は他のタスクのためにあります。
ええ、すべてランダムです。
今のところ動作していません )
もちろん、ここでは時系列のシャープニングは行っていませんので、予測変数はY座標の情報だけでなく、X座標の情報も含んでいる必要があります。
このようなランダムなパターンを識別する方法を学べば、人はプロになれるだろう。
例年サンプリングした葉っぱの6割以上が動いているのは非常に、分類の悪いデータ処理手法の考え方が健全であることを裏付けていると思います。もっと多くの人が取り組めば、もっと良い結果が得られるはずですが、みんなブリブリしています。
もちろん、ここでは時系列のシャープニングは行わないので、予測変数はY座標の情報だけでなく、X座標の情報を含む必要があります。
このようなランダムなパターンを識別する方法を学べば、人は利益を得ることができるのである。
例年サンプリングした葉っぱの6割以上が動いているのは非常に、分類の悪いデータ処理手法の考え方が健全であることを裏付けていると思います。もっと多くの人がアイデアを出していれば、もっと良い結果が得られるはずですが、みんなブリブリしていますね。
記事が望んだような...アプローチの要点をスケッチする。まだ、何をやっているのか理解できていません :D
私は、時系列から モデル自身が自動的に特徴を抽出するべきだという考えを持っています（もしあれば）。しかも、手動で何かをする必要はありません。小刻みで十分です。問題は、そのアーキテクチャです。例えば、NLP（神経言語処理）のように、ニューラルネットワーク自身が単語列の文脈、つまり時系列サンプル間の関係を決定する。
一度試してみてはいかがでしょうか。否定的な結果もまた、結果である（さらに考えるための材料という意味で）。
ここで、nは2つのシステムのうち少なくとも1つが売買のシグナルを出したバーの数、n1は両方のシステムから同時に同じ方向のシグナルが出たバーの数、n2は 両方のシステムから同時に 反対方向のシグナルが出たバーの数です。
これらの比率の行列は、クラスタリング、間引き、ポートフォリオ形成に利用することができます。
予測因子とどう関係があるのでしょうか？
葉っぱの選択でも似たようなことをするのですが、サンプルで葉っぱの回答数が違うので、同じような回答で長さが違う葉っぱが同じグループに属することを考慮しなければならない、という引っかかりがありますね。