Howthe Monte Carlo Method is used to optimise a portfolio - まず、銘柄にランダムなウェイトを与え、リターンと標準偏差を計算します。取得した値は保存されます。次のステップでは、重みをランダムに変更し（主な点は、それらの合計が単一でなければならないことを覚えておくことです）、計算と結果の値の保存が再び行われます。反復計算の回数は、計算時間、計算機の能力、投資家が取るべきリスクに依存します。
Начинающие (да и не только) инвесторы часто задаются вопросом о том, как отобрать для себя идеальное соотношение активов входящих в портфель. Часто (или не очень, но знаю про двух точно) у некоторых брокеров эту функцию выполняет торговый робот. Но заложенные в них алгоритмы не раскрываются. В этом посте будет рассмотрено то, как оптимизировать...
Im trying to wrap my head around understanding neural networks and from everything I've seen, I understand that they are made up of layers created by nodes. These nodes are attached to each other with "weighted" connections, and by passing values through the input layer, the values travel through the nodes...
Предлагаю готовое решение по интеграции прогнозов нейросети и Metatrader 5. Преимущества этого решения: Это реально работающее приложение для трейдеров. Устанавливается "в два клика". Нейросеть
そうでないわけがない。まさにその通りです。
ニューラルネットワークベースデータベース」という表現に出会ったことはありますか？一度出会ったことがありますが、NS・ツリーとは何かということを一番よく定義していると思います。
1つの木を最後の分割まで学習させると、すべての履歴を絶対的な精度で記憶する（オーバートレーニングのモデルを得る）ことができる。
最後の分割ではなく、もう少し前の分割（例えば、1枚のシートに10例ずつ）であれば、この最も類似した10例の結果を平均化し、一般化してメモリを 得ることができます。オーバーラーニングが少なくなる。つまり、アンダーラーニングがオーバーラーニングに変わり始めたら、分割を止めなければならないのです。これがメインであり、最も難しい課題です。
私は、トレーディングにおいてニューラルネットワークと機械学習を混ぜてはいけないと思います。私は ここの 絵が 好きでした。今のところ、ニューラルネットワークは、テクニカル分析（上記のように目や耳などが必要）またはその 再帰的 バージョンのための可能性だと考えています。
例えば、手持ちのデータが多すぎるとき、データセットの入力と出力の関係を見つけるのに必要な公式がないとき、説明ではなく予測をする必要があるときなどです。
またはウェイト - （しかし、どのように論理的にそれらを定義するかがわからない（ダム0から1以外）、またはトレーニング（0または1）、彼らは道を踏み外さないようにする場合）。
神経細胞は、信号が順次通過する層を形成している。これらはすべて、神経接続、つまりチャンネルでつながっており、このチャンネルを通してデータが伝達される。各チャンネルは、送信するデータに影響を与えるパラメータである「ウェイト」を持っている
そして、より一般的な形で機械学習は、決定木とさえ決定の森であり、ここで、私はあなたに同意し、主なものは、時間、および単純な遺伝的アルゴリズム（Excelで）、さらなる学習のためのエラーとエラーの後方伝播と統計に停止することである...と、多分同じモンテカルロとシャープレシオでポートフォリオのリスクと分散とヘッジの方法を評価します（そこは本当に多くの分析用データをダウンロードすることができます）。
追伸
と、 値動きを予測するNNの 概要のようなものがあります。
正しいネットワーク組織は一つではありません。それぞれのネットワークアーキテクチャには、利点と欠点があります。バックプロパゲーションネットワークは、性能が良いので一般的だが、学習や設定が難しい場合が多い。リカレントネットワークは、バックプロパゲーションネットワークと比較して、その「記憶機能」を利用してデータの時間依存性を抽出し、予測力を高めることができるというメリットがある。より複雑なモデルは、エラーやネットワーク構成の問題を軽減するのに有効かもしれないが、学習や分析がより複雑になることが多い
- つまり、メモリはネットワーク・アーキテクチャに組み込まれていなければ利用 できない...。価格などの）変数のモデルにメモリを搭載するのは、非常に甘く無謀 だと思うのですが......。人口統計や季節変動など、より体系的で反復的な分析にはメモリが必要ですが、デイトレーダーの値動きにはメモリは必要ありません。せめて、大鹿の分析では...。イミフを見る場合のみ、最新のKのちょっとした記憶（しかもFlat/Trendは0.5 程度の確率）。
(前述の理由から、本当に無意味な議論だと思います - 特定のネットワークや他の機械学習の変種の特定のアーキテクチャに言及せずに話す場合) ...が、警告をありがとうございます
メモリがあれば、遠くまで行く必要はない（というか、メモリがなければ、実行すれば忘れる、中間メモリデータはOutputでは重要でなくなる）。
モンテカルロ法は、すべての決定が全体のリスクに何らかの影響を与えることを想定した意思決定ツールである。
Howthe Monte Carlo Method is used to optimise a portfolio -
まず、銘柄にランダムなウェイトを与え、リターンと標準偏差を計算します。取得した値は保存されます。次のステップでは、重みをランダムに変更し（主な点は、それらの合計が単一でなければならないことを覚えておくことです）、計算と結果の値の保存が再び行われます。反復計算の回数は、計算時間、計算機の能力、投資家が取るべきリスクに依存します。
(分析およびソリューションを求めるパッケージとExcelで - おそらくさらに簡単な実装が - 質問は、モデルで再び であり、遺伝的アルゴリズムやその他のアルゴリズムは、ソリューションシーカーで設定されている - そしてここで、それは"ダム検索方法"の準備ができている）...が、リスク管理のためであり、値動きを予測するものではありません。
すべての答えの後、あなたは結論のスライサーを描かなければならない、今のところ誰もが自分のことを話しているから...。(テーマは、結論は一つではない-多くの方法がある-共通項がない）。
elibrariusが 言った木のように
つまり、アンダーラーニングがオーバーラーニングに変わり始めたら、分割を止めなければならないのです。これがメインであり、最も難しい課題です
すべての答えの後、あなたは結論のスライサーを描かなければならない、これまでのところ、誰もが自分自身を表現しているので...。(テーマは、結論は一つではない - 多くの方法がある - 共通項がない）。
elibrariusが持って きた木のように
全てはカジノのため、FXでは別物です。ロボットに何を説明できるのか？青が赤を上回ったら買い。以上です;)
ウラジミール、私は12個のユニークなポジション/状態を持っています。
stackoverflowを見回すと、ロジックは非常にシンプルです（ExcelのアドインSolution Finderと同じです）。
0/ 正直に、トレーニングセットから推測される平均とスケーリングを 使用する - 。
1/ ニューラルネットワークは、重みとバイアスによって学習したことを記憶 する。
2/ ウェイトをランダムに 初期化する - これは開発者ではなく、マシンに責任をシフトする - WHAT IS GOOD
3/ パターンを使って訓練する - ビッグデータで（ついでにPCのパワーも大きい） - 回帰かロジスティックモデルかその他（考えて選ぶ価値がある - 線形回帰を選ぶと、オプティマイザを働かせる機会を奪うので、あまり選べ ない、だと思う）。
4/ ...を入力し、学習した機械から結果を得る AND ALL
p.s. 連続と離散の人工ニューラルネットワークを思い出してください。前者はおそらく積分関数、後者はたとえば横ばいやトレンドを判断するためのものです...。
と、オシャレについての アドバイスも
リカレント・ニューラル・ネットワーク は、様々な金融予測アプリケーションのために、様々な時期に流行した手法であり、例えば
追伸：一説によると
ベイジアンネットワークでは、頂点と辺が意味を持つ - ネットワークの構造自体が、変数間の条件付き依存性についての貴重な情報を与えてくれるのである。ニューラルネットワークの場合、ネットワークの構造は何も教えてくれません。
とpythonの ライブラリ(Rも使えます)を使って、Excelでは物足りない場合
(読めない人、理解できない人が、カジノで遊び足りないからと、ロボットに何かを説明する夢を見る一方で）
...が、線形回帰は、確か価格は非線形、リターンは線形（逆でなければ？）なので混乱します
というように、その逆ではありません。
価格は正規分布ではないが、多くの場合、価格の戻りは正規分布になる。
その逆はない、から。
という理屈はともかく、遠い記憶と合わせて確認すると......。(定量的ファイナンスや財務研究はあまり扱わないが）。エンドユーザーのために、動作するMT5アプリケーションを作りました、2クリックでインストールできます。
ニューラルネットワークは、ユーザーのコンピュータ上でexeファイルとして動作します（Pythonスクリプトの場合はexeファイルなしでも可能です）。
外部からの要求、API、DLLなどなし。
デフォルトの指標としての予測。
詳しくはこちらを ご覧ください。