We have seen in previous posts what is machine learning and even how to create our own framework. Combining machine learning and finance always leads to interesting results. Nevertheless, in supervised learning, it is crucial to find a set of appropriate labels to train your model . In today’s post, we are going to see 3 ways to transform our...
As a continuation to our last post on Time Series Signatures and our running list of posts regarding GANs and synthetic data we now want to present the Signature Conditional Wasserstein GAN, shortened as SigCWGAN, a new GAN architecture presented in [1] that is specifically designed to generate time series of arbitrary length and dimensions. 2...
プラダ契約マーキング
プラダのディールマーキング。
こういうものの 方が面白い。どうしてもわからないのですが、コマンドラインからしか使えないのでしょうか？どなたかご覧になった方はいらっしゃいますか？
この素材は もっと面白い。
これもGANに限った話ではなく、別のトピックです。
プラダ契約マーカー
難解な言葉や使い慣れない機能...。と著者は誤解している。
fixed_time_horizon()のところで、このような行があります。
idx_lower = data[data[name] < - threshold].index
ということを上に書いています。
また、下の写真はint型 （0,1,2,3...など）ではなく、0.05、0.01......となっています。
ダブルで明確になりました。これは、TP=SL=価格変化のある値でやったのと同じことです。
しかし、なぜメソッドと関数fixed_time_horizon()を呼び出したのかが不明です; 固定時間はどこにあるのでしょうか？時間ではなく、定価の変更です。
---------
quantized_labelling()メソッドについては - コードから何も得られませんでした。0.05のような固定値ではなく、価格変動に応じて変化する分位数を用いているのでしょう。
難解な言葉や使い慣れない機能...。と著者は誤解している。
fixed_time_horizon()のところで、このような行があります。
idx_lower = data[data[name] < - threshold].index
ということを上に書いています。
また、下の写真はint型 （0,1,2,3...など）ではなく、0.05、0.01......となっています。
ダブルで-明確になった-TP=SL=価格変化のある値でやったのと同じことです。
しかし、なぜメソッドと関数fixed_time_horizon()を呼び出したのかが不明です; 固定時間はどこにあるのでしょうか？時間ではなく、定価の変更です。
---------
quantized_labelling()メソッドについては - コードから何も得られませんでした。0.05などの固定値ではなく、価格の変動に合わせて変化し続ける分位値なのでしょうね。
コードについては調べていません。メインはチャートではなく、インクリメントによるマークアップです。これは、例えば、マークアップをスクイーズチャートや特定のBPコンポーネントに適用するなど、多くの興味深い機能へとつながります
intに誤植があるのでしょう、これを書いたのはプラドではなく、タイプです。
固定ホライズンは、選択されたインクリメンタル・ラグを指しますが、おそらく
コードを読んでないんです。主なものは、チャートによる分割ではなく、インクリメントによる分割です。これにより、スクエルチされたチャートへのパーティショニングの適用や、特定のBPコンポーネントへのパーティショニングなど、多くの興味深い機能がもたらされます
intに誤植があるのでしょう、これを書いたのはプラドではなく、タイプです。
fixed horizonは、選択されたインクリメンタル・ラグを指しているのでしょう。
そこにいる誰かはプラドか彼のタイプだ。
quantized_labelling()メソッドにより
教える意味はほとんどないと思います。結局のところ、ボラティリティが低いときにはうまく分類を学習でき、ボラティリティが高いときには悪くなる。そして、低ボラティリティでの40%の誤差＋高ボラティリティでの51%の誤差で、システムの収益性は約0に戻る。なぜなら、多くの小さな利益が、いくつかの大きな損失で凌駕される可能性があるからだ。誰かがバカかプラドかそのタイプか。
全部がズシリとくる、やってみよう、でも違うことをやってみよう
彼の本はちょっと違うと思います。見るのが面倒だから。でも、違う方法でやってみます。
彼の本には、別の形で書かれていると思います。探すのが面倒だから。分位数については、私はポイントがわからない、上の投稿を参照してください。
TP=SLやってみました。その結果は、新しいクロス検証データで50％。
分位数については、私はポイントがわからない、上の投稿を参照してください。
以下は、slとtpを除いたインクリメントです。
クラスタリング、マークアップで行いました。マークアップされたデータのカーブは全体的に良くないが、新しいデータではより強固になる