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 2128 1...212121222123212421252126212721282129213021312132213321342135...3399 新しいコメント Maxim Dmitrievsky 2020.11.17 00:02 #21271 Aleksey Vyazmikin: どうやら質問の意味がわからなかったようです。MT5にはカテゴリー化予測変数のモデルインタプリタがなく、コマンドラインのCatBoostは、視覚化など純粋なpythonのものを除いて、python版でできることはすべてできます。 この通訳の方、一緒に開発したのですか、それとも作ってもらったのですか?何が足りないか...。多重クラス禁止 Aleksey Vyazmikin 2020.11.17 00:08 #21272 Maxim Dmitrievsky: この通訳の方、一緒に作ったのですか、それともあなたの命令で?さて、何が足りないのか...。 商業的なプロジェクトでは ありません。私の役割は、ソリューションの積極的なテストに絞られました。 それがわかれば、地域のためになる。 そして、一般的に、これまでのところ、私は本当に増加を与えるためにカテゴリカルな兆候だろう、見ていない - しかし、長い時間前に試して、私はカテゴリごとに、ローカルな状況を記述する予測因子を持っていますが、来なかったような。 Aleksey Vyazmikin 2020.11.17 00:09 #21273 Maxim Dmitrievsky: 私の知る限りでは、マルチクラスはありません。 まだ回帰していない。 Aleksey Vyazmikin 2020.11.17 01:12 #21274 Maxim Dmitrievsky: まあ、やるとしたら、pythonからmqlへの学習済みモデルのパーサーになるでしょうね。まだ燃えてはいないが、必要になるかもしれない。 python用のモデルも保存できるんだ。 Maxim Dmitrievsky: 何が回帰なんだ? ストップを設定するのに有効なモデルかもしれません。時には、何十本ものバーを通してMAを予測することが必要かもしれません :) Maxim Dmitrievsky: どの機能/変換が良い結果をもたらすのでしょうか? 予測値の結果はターゲットに依存する :)量子化の最適なレベルを選択する実験をしているだけです。 最小の閾値を通過しなかった予測変数は、フィルターで除去されています。まだ時期尚早ですが、初期の結果は良好です。1つのスレッドで1日以上という長い処理になります。量子レベルの推定にはもっと基準が必要で、そうするつもりです。さらに、より多くのプロットを取り、サンプルをフィルターにかけ、反応のあるところだけを学習し、おそらくすでに遺伝子の木が機能するように、葉を抽出するつもりです。 Maxim Dmitrievsky: 面白いものを作りました。どんなデータセットでも、マークがあってもなくても、それを改善しながら変換することができるのです。 面白いですよー、リンク先のやつで試してみてください。確かに予測値の一部に間違いがありますが(保存時にdoubleではなくintと書かれていたため、量子化を外して忘れてしまいました)、相対比較のためには問題ではありません。 ちなみに、比較的重いものを計算する必要がある場合は、計算できますよ~今ならチャンスです。 Maxim Dmitrievsky 2020.11.17 01:21 #21275 アレクセイ・ヴャジミキンこれは面白いですね~、リンクを貼ったもので試してみてください。いくつかの予測変数に間違いがありますが(保存時はdoubleではなくintと書かれていました - 量子化を外して忘れていました)、相対比較のためには問題ではありません。ちなみに、比較的重いものを計算する必要がある場合は、計算できますよ~今ならチャンスです。 自分のやり方を非常に簡潔に展開できないかと探していたところ、面白いものに出会いました......。というか、今まで知らなかったのではなく、使おうと思っていなかっただけなのですが......なぜかパズルが組みあがってしまいました 万能ではありませんが、面白い結果が出ます。後で見ます。 Aleksey Vyazmikin 2020.11.17 01:42 #21276 マキシム・ドミトリエフスキー: 自分のやり方を非常に簡潔に展開できないかと探していたところ、偶然面白いものに出会いました...。というか、今まで知らなかったのではなく、使おうと思っていなかっただけなのですが......なぜかジグソーパズルが組みあがってしまったのです万能ではありませんが、面白い結果が出ます。あとで見てみよう。 興味深く待っています! Renat Akhtyamov 2020.11.17 04:11 #21277 Maxim Dmitrievsky: 単純な非相関の後では スプレッドに 勝てないが、スプレッドのない新しいデータではモデルがより安定する。系列に対してオーバーフィットしたモデルは、n.d.に対してスプレッドなしでやっているが、最初のものよりもトレイでずっと良い(スプレッドでもうまくいく)。これは明らかにシリアライゼーションへの再教育であり、それ以外の何物でもありません。わかりにくいけど、そうなんです🤣 もう一度写真を見ると、1枚目の方が分布のピークが高く、テールもあるかもしれませんね。それが直列性であり、ボラティリティであり、何でもいいのです。新しいデータではほとんどすぐに変化してしまうので、オーバーフィットになってしまうのです。2番下の写真にはそれがない、それしかない、そのゴミの中からスプレッドに勝てるαを探すしかないのです。ただ、データを見て、少なくとも直列性を取り除くか、何らかの変換をしてテールを取り除く必要があります。そして、残ったもののクラス分布を見て、通常のクラスターグループがあるのか、それとも私のように完全にランダムなのか、確認するのです。こうすることで、データセットがうまくいっているのか、ゴミなのかを視覚的に確認することもできる。それから、トレインとバリデーションを混ぜても、何の影響もないですよ。そして、「写真だけ」と言うのですね。 フェディア、やるんだ! Forester 2020.11.17 06:09 #21278 あなたはロボットですか? 昼も夜も不眠不休で働く )))) Maxim Dmitrievsky 2020.11.17 07:07 #21279 elibrarius: あなた方はロボットですか? 昼も夜も不眠不休で働く )))) ノックはサックではありません。 Wizard2018 2020.11.17 07:19 #21280 Renat Akhtyamov: やらなきゃ フェディア やらなきゃ! :)))) 1...212121222123212421252126212721282129213021312132213321342135...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
どうやら質問の意味がわからなかったようです。
MT5にはカテゴリー化予測変数のモデルインタプリタがなく、コマンドラインのCatBoostは、視覚化など純粋なpythonのものを除いて、python版でできることはすべてできます。
この通訳の方、一緒に作ったのですか、それともあなたの命令で?さて、何が足りないのか...。
商業的なプロジェクトでは ありません。私の役割は、ソリューションの積極的なテストに絞られました。
それがわかれば、地域のためになる。
そして、一般的に、これまでのところ、私は本当に増加を与えるためにカテゴリカルな兆候だろう、見ていない - しかし、長い時間前に試して、私はカテゴリごとに、ローカルな状況を記述する予測因子を持っていますが、来なかったような。
私の知る限りでは、マルチクラスはありません。
まだ回帰していない。
まあ、やるとしたら、pythonからmqlへの学習済みモデルのパーサーになるでしょうね。まだ燃えてはいないが、必要になるかもしれない。
python用のモデルも保存できるんだ。
何が回帰なんだ?
ストップを設定するのに有効なモデルかもしれません。時には、何十本ものバーを通してMAを予測することが必要かもしれません :)
どの機能/変換が良い結果をもたらすのでしょうか?
予測値の結果はターゲットに依存する :)量子化の最適なレベルを選択する実験をしているだけです。 最小の閾値を通過しなかった予測変数は、フィルターで除去されています。まだ時期尚早ですが、初期の結果は良好です。1つのスレッドで1日以上という長い処理になります。量子レベルの推定にはもっと基準が必要で、そうするつもりです。さらに、より多くのプロットを取り、サンプルをフィルターにかけ、反応のあるところだけを学習し、おそらくすでに遺伝子の木が機能するように、葉を抽出するつもりです。
面白いものを作りました。どんなデータセットでも、マークがあってもなくても、それを改善しながら変換することができるのです。
面白いですよー、リンク先のやつで試してみてください。確かに予測値の一部に間違いがありますが(保存時にdoubleではなくintと書かれていたため、量子化を外して忘れてしまいました)、相対比較のためには問題ではありません。
ちなみに、比較的重いものを計算する必要がある場合は、計算できますよ~今ならチャンスです。
これは面白いですね~、リンクを貼ったもので試してみてください。いくつかの予測変数に間違いがありますが(保存時はdoubleではなくintと書かれていました - 量子化を外して忘れていました)、相対比較のためには問題ではありません。
ちなみに、比較的重いものを計算する必要がある場合は、計算できますよ~今ならチャンスです。
自分のやり方を非常に簡潔に展開できないかと探していたところ、面白いものに出会いました......。というか、今まで知らなかったのではなく、使おうと思っていなかっただけなのですが......なぜかパズルが組みあがってしまいました
万能ではありませんが、面白い結果が出ます。後で見ます。
自分のやり方を非常に簡潔に展開できないかと探していたところ、偶然面白いものに出会いました...。というか、今まで知らなかったのではなく、使おうと思っていなかっただけなのですが......なぜかジグソーパズルが組みあがってしまったのです
万能ではありませんが、面白い結果が出ます。あとで見てみよう。
興味深く待っています!
単純な非相関の後では スプレッドに 勝てないが、スプレッドのない新しいデータではモデルがより安定する。系列に対してオーバーフィットしたモデルは、n.d.に対してスプレッドなしでやっているが、最初のものよりもトレイでずっと良い(スプレッドでもうまくいく)。これは明らかにシリアライゼーションへの再教育であり、それ以外の何物でもありません。わかりにくいけど、そうなんです🤣 もう一度写真を見ると、1枚目の方が分布のピークが高く、テールもあるかもしれませんね。それが直列性であり、ボラティリティであり、何でもいいのです。新しいデータではほとんどすぐに変化してしまうので、オーバーフィットになってしまうのです。2番下の写真にはそれがない、それしかない、そのゴミの中からスプレッドに勝てるαを探すしかないのです。ただ、データを見て、少なくとも直列性を取り除くか、何らかの変換をしてテールを取り除く必要があります。そして、残ったもののクラス分布を見て、通常のクラスターグループがあるのか、それとも私のように完全にランダムなのか、確認するのです。こうすることで、データセットがうまくいっているのか、ゴミなのかを視覚的に確認することもできる。それから、トレインとバリデーションを混ぜても、何の影響もないですよ。そして、「写真だけ」と言うのですね。
フェディア、やるんだ!
昼も夜も不眠不休で働く ))))
あなた方はロボットですか?
昼も夜も不眠不休で働く ))))
やらなきゃ フェディア やらなきゃ!
:))))