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 2292 1...228522862287228822892290229122922293229422952296229722982299...3399 新しいコメント Maxim Dmitrievsky 2021.01.14 10:01 #22911 ロールシャッハ: ロットを計算するために、ネットの2回目の出力を行う。あるいは、グリッドコンフィデンスをロット倍率として使用する。 平均化とグリッドは、必ずしもロットサイズに関係しない。 Rorschach 2021.01.14 10:07 #22912 マキシム・ドミトリエフスキー: インクリメントに1つだけノイズがある十四節気 簡単です。インクリメントにするのは差別化です。振幅と周波数の比率は変わるが、どこにも行かない。遅いサイクルが速いサイクルに詰まらなければ、ダッシュによるフィルタリングは必要ありませんから、なおさらです。 Valeriy Yastremskiy 2021.01.14 10:09 #22913 マキシム・ドミトリエフスキー: インクリメントに1つだけノイズがある1刻みで24周する周期をどうやって見つけるか ウィンドウ48 Rorschach 2021.01.14 10:11 #22914 Aleksey Mavrin: 同僚、経験から教えて ください。学習中に入力層(入力は正規化されている)の重みをモニターすることに意味があるのだろうか、と。入力の重要性を評価するための現実的な何かを与えているか?実験には Dmitriy Gizlyk氏の ライブラリーを使用しています。RやPythonにデータをアンロードすることで、いろいろとニッチな計算ができることは知っています。でも、まだ手をつけていませんし、ビデオカードに関する彼の解答がほとんど「飛んで」いるのは好都合です。一般的に、入力の重みをモニターすることは、簡略 化のために意味があるのでしょうか、それともいずれにせよ、まず入力の詳細な分析を行うべきでしょうか? 入力の予備的な分析には Aleksey Mavrin 2021.01.14 10:12 #22915 マキシム・ドミトリエフスキー: 重さによって影響を推定することができます。 なるほど、ウェイトが多いほど影響力があるのですね。 もっと情報を得ることは可能なのでしょうか? 例えば,この問題には最適解がないとか,凸でないとか(この用語を混同していなければ),重みが無限大になるとか,同じネットワークのエラーでも重みが異なる(ある入力では非常に小さく,別の学習アプローチでは(最初から)逆に非常に大きくなる)とか,いろいろです. 実際、私は今、2つのクラスが非対称に分布し(一方が60%以上)、グリッドが100%のケースで1つのクラスを生成するタスクで苦労しているところです。 入力データを別の方法でフィルタリングし、新しいデータを拾っています。 質問は、「悪い」入力をフィルタリングするために、どのような入力を破棄するか、別の方法でフィルタリングする必要があるかということです。 Aleksey Mavrin 2021.01.14 10:14 #22916 ロールシャッハ: 入力の事前分析にscaffoldingを使用することができる そうなんです、Rでやったんです、行ったり来たりするのが面倒で、長いんです。そして、MT5のalgleibは、妨害もなく普通にこれができるんですね。 でも、入力の重みを見るかどうかは、ERのトレーニングでわかるかもしれないと思っていました。 Maxim Dmitrievsky 2021.01.14 10:21 #22917 Aleksey Mavrin: なるほど、重みがあればあるほど影響力があるのですね。 もっと情報を得ることはできないのでしょうか?例えば,この問題には最適解がないとか,凸でないとか(この用語を混同しないように),重みが無限大になるとか,同じネットワークのエラーでも重みが異なる(つまり,ある入力では非常に小さく,別の学習方法では逆に非常に大きくなる)とか,いろいろあります.実際、私は今、2つのクラスが非対称に分布し(一方が60%以上)、グリッドが100%のケースで1つのクラスを生成するタスクで苦労しているところです。私は入力データをさまざまな方法でフィルタリングし、新しいデータを拾っています。この質問は、「悪い」入力をフィルタリングし、どの入力を完全に破棄するか、または別の方法でフィルタリングすべきかを判断するのに役立つかもしれません。 炭酸飲料はパッケージがあるので言えませんが、いろいろなことができます。 クラスはNSに合わせたバランスにすること。不足している例を追加する Rorschach 2021.01.14 10:21 #22918 Aleksey Mavrin: そうですね、Rでやって、行ったり来たりするのが億劫で、長くなってしまいましたが、MT5のAlglibは問題なく普通にできるのでしょうか? むしろpythonを学びたい。 pythonを使えるようになった。 2つのクラスが非対称に分布している(一方が60%以上)問題で、ネットが一方のクラスで100%のケースで「燃え尽きる」ことに、まだ悩んでいるのです。 クラスのバランスをとるか、レアなクラスに多くのポイントを与えるような指標をやり直すか Maxim Dmitrievsky 2021.01.14 10:23 #22919 ロールシャッハ: 簡単です。インクリメントにするのは差別化です。周波数の振幅比は変化しますが、どこにも行きません。さらに良いことに、遅いサイクルは速いサイクルを詰まらせないので、マッシュアップによるフィルタリングをする必要がありません。 簡単に見つかるのに、なぜ見つからないのか不思議です。 Rorschach 2021.01.14 10:27 #22920 マキシム・ドミトリエフスキー: では、簡単ならなぜ見つけなかったのですか? 正弦波で実験してみないとわからない。 1...228522862287228822892290229122922293229422952296229722982299...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
ロットを計算するために、ネットの2回目の出力を行う。あるいは、グリッドコンフィデンスをロット倍率として使用する。
平均化とグリッドは、必ずしもロットサイズに関係しない。
インクリメントに1つだけノイズがある
十四節気
簡単です。インクリメントにするのは差別化です。振幅と周波数の比率は変わるが、どこにも行かない。遅いサイクルが速いサイクルに詰まらなければ、ダッシュによるフィルタリングは必要ありませんから、なおさらです。
インクリメントに1つだけノイズがある
1刻みで24周する周期をどうやって見つけるか
ウィンドウ48
同僚、経験から教えて ください。
学習中に入力層(入力は正規化されている)の重みをモニターすることに意味があるのだろうか、と。入力の重要性を評価するための現実的な何かを与えているか?
実験には Dmitriy Gizlyk氏の ライブラリーを使用しています。
RやPythonにデータをアンロードすることで、いろいろとニッチな計算ができることは知っています。でも、まだ手をつけていませんし、ビデオカードに関する彼の解答がほとんど「飛んで」いるのは好都合です。
一般的に、入力の重みをモニターすることは、簡略 化のために意味があるのでしょうか、それともいずれにせよ、まず入力の詳細な分析を行うべきでしょうか?
入力の予備的な分析には
重さによって影響を推定することができます。
なるほど、ウェイトが多いほど影響力があるのですね。 もっと情報を得ることは可能なのでしょうか?
例えば,この問題には最適解がないとか,凸でないとか(この用語を混同していなければ),重みが無限大になるとか,同じネットワークのエラーでも重みが異なる(ある入力では非常に小さく,別の学習アプローチでは(最初から)逆に非常に大きくなる)とか,いろいろです.
実際、私は今、2つのクラスが非対称に分布し(一方が60%以上)、グリッドが100%のケースで1つのクラスを生成するタスクで苦労しているところです。
入力データを別の方法でフィルタリングし、新しいデータを拾っています。 質問は、「悪い」入力をフィルタリングするために、どのような入力を破棄するか、別の方法でフィルタリングする必要があるかということです。
入力の事前分析にscaffoldingを使用することができる
そうなんです、Rでやったんです、行ったり来たりするのが面倒で、長いんです。そして、MT5のalgleibは、妨害もなく普通にこれができるんですね。
でも、入力の重みを見るかどうかは、ERのトレーニングでわかるかもしれないと思っていました。
なるほど、重みがあればあるほど影響力があるのですね。 もっと情報を得ることはできないのでしょうか?
例えば,この問題には最適解がないとか,凸でないとか(この用語を混同しないように),重みが無限大になるとか,同じネットワークのエラーでも重みが異なる(つまり,ある入力では非常に小さく,別の学習方法では逆に非常に大きくなる)とか,いろいろあります.
実際、私は今、2つのクラスが非対称に分布し(一方が60%以上)、グリッドが100%のケースで1つのクラスを生成するタスクで苦労しているところです。
私は入力データをさまざまな方法でフィルタリングし、新しいデータを拾っています。この質問は、「悪い」入力をフィルタリングし、どの入力を完全に破棄するか、または別の方法でフィルタリングすべきかを判断するのに役立つかもしれません。
炭酸飲料はパッケージがあるので言えませんが、いろいろなことができます。
クラスはNSに合わせたバランスにすること。不足している例を追加する
そうですね、Rでやって、行ったり来たりするのが億劫で、長くなってしまいましたが、MT5のAlglibは問題なく普通にできるのでしょうか?
むしろpythonを学びたい。
pythonを使えるようになった。
2つのクラスが非対称に分布している(一方が60%以上)問題で、ネットが一方のクラスで100%のケースで「燃え尽きる」ことに、まだ悩んでいるのです。
クラスのバランスをとるか、レアなクラスに多くのポイントを与えるような指標をやり直すか
簡単です。インクリメントにするのは差別化です。周波数の振幅比は変化しますが、どこにも行きません。さらに良いことに、遅いサイクルは速いサイクルを詰まらせないので、マッシュアップによるフィルタリングをする必要がありません。
簡単に見つかるのに、なぜ見つからないのか不思議です。
では、簡単ならなぜ見つけなかったのですか?
正弦波で実験してみないとわからない。