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 2475 1...246824692470247124722473247424752476247724782479248024812482...3399 新しいコメント JeeyCi 2021.10.26 18:56 #24741 Evgeniy Ilin # :ニューラルネットワークでこれを実現するには、ニューロンの種類をできるだけ変え、層の数とその構成も任意にすれば、可能です。 そうですね、お互いに独立したパラメータを近似して1つの出力にするためには、現在の時点までの過去のデータを統計的に深く計量する必要があります - つまり、代表的なサンプル（大きければ大きいほど、目標を達成する可能性が高い）を持つこと... ブラックボックスでそれらを処理（計量）する... しかしこれはすべて統計であって、現在の経済局面からさえ遠いかもしれないのです...-ただ、分散の大きい平均を取る（変動係数も）。 30年間、経済のサイクルを一通り経験したようですが、同じような経済発展の段階から 現在の兆候を学んだほうがいい（と私は思う）。が、私個人はそのデータ（私がこのような長期にわたる有意義な分析の妥当性を信じるために必要な）を持っていません． Evgeniy Ilin # : しかし、なぜか、固定アーキテクチャのニューラルネットワークを使う人は、アーキテクチャが柔軟でなければならないことを理解していません。この柔軟性を破壊することによって、再トレーニングを最小化する可能性そのものを破壊してしまうのです。一般的に、同じ基準はもちろん、単純なモデルに適用することができ、必要であっても、あなたは良いフォワードを得るでしょう、私のモデルは、先に数ヶ月の利益を与え、設定は一日で更新されることがあります。基本的な仕掛けの一つは、できるだけ多くのデータ（10年以上の履歴）を取ることです。この場合、グローバルなパターンを探しますが、それは市場自体の物理学に基づいており、ほとんどの場合、非常に長い時間にわたって機能します。 トリックではなく、現実から逃れようとしている...。イムホ (論理的 - 少ないコストで - 通常のフォワードを取得することが可能です - 現在の瞬間のためにハスキーとナンセンスを分析せずに -すべてが比較によってのみ学習され、あまりにもブラックボックスであっても、まだ最初にあなたの脳を使用し、その後でもそうではない深い機械学習、しかし唯一の現在の市場の状況で重要な兆候によって現在の瞬間の一部に関する） - そして歴史からすべての必要なデータが欠落している...。 しかし、エコシステムを 理解し、その中での物質とエネルギーの交換に関する知識ベースと、ドライビングニュース/イベントをタイムリーに認識することで、平均と分散のためだけにそのようなPCパワーに負荷をかけずに進化を 把握する方法がある...。イムホ でも、ご指摘ありがとうございます...。しかし、私にとっては、このようなディープラーニングの必要性は議論の余地があります（ブラックボックスにとっては議論の余地はないのでしょうが）。 Evgeniy Ilin 2021.10.26 19:06 #24742 mytarmailS#: 私のビジョンはもちろんベンチマークではなく、主に時間短縮の観点から話しています。単純に、多くの人と話をした結果、5年後にこのフォーラムを読んで、おそらく自分自身を笑うことになるのは間違いないと思います。ただ、すべての展開が空虚ではなく、受け取ったものをスケールアップしてみるべきと思います。よくねじ込みたくなるのですが、お金にならないのになぜかやっていません。この経験は貴重なものであり、人それぞれの価値があるように思いますが、私たちにできることは、前に進むか、居酒屋で酔っぱらうか、そのどちらかしかありません。私たちは、今あるものを拡大し、強化するだけでいいように思いますし、それはおそらくとてもシンプルなことだと思います。物事を複雑にすればするほど、変な計算を入れたくなればなるほど、すべてが予測不可能になるんです。正直、何年もかけた人はみんな月100%にならないことを理解していると思うし、その時間をかけていない人は、あなたの年100を見て、2ヶ月掛かることを気にせずとも月100のシグナルを買ってしまうと思います。 Evgeniy Ilin 2021.10.26 19:16 #24743 JeeyCi#： そうですね、お互いに独立したパラメータを近似して1つの出力にするためには、現在の時点までの過去のデータを統計的に深く計量する必要があります - つまり、代表的なサンプル（大きければ大きいほど、目標を達成する可能性が高い）を持つこと... ブラックボックスでそれらを処理（計量）する... しかしこれはすべて統計であって、現在の経済局面からさえ遠いかもしれません...-ただ、分散の大きい平均を取る（変動係数も）。30年間、経済サイクルを経験したわけですから、同じような経済発展の段階から 、現在の兆候を学んだ方がいいと思うのですが、どうでしょう？が、私個人はそのデータ（このような長期間にわたる有意義な分析の妥当性を信じるために必要）を持っていないのですが...。騙すのではなく、現実から逃げようとする...。イムホ (それは、通常のフォワードを得ることが可能です - 少ないコストで - 論理的 - huskinessと現在の瞬間のための意義の欠如を分析せずに -すべてが比較によってのみ、あまりにもブラックボックスで知られていても、それでも私は最初に私の脳をオンにし、その後もそれほど深くない機械学習、しかし唯一の現在の市場の状況で重要な兆候によって現在の瞬間の一部に関する） - そして歴史からすべての必要なデータが不足している...。しかし、エコシステムを 理解し、その中での物質とエネルギーの交換に関する知識ベースと、ドライビングニュース/イベントをタイムリーに認識することで、平均と分散のためだけにそのようなPCパワーに負荷をかけずに進化を 把握する方法がある...。イムホでも、ご指摘ありがとうございます...。しかし、私にとっては、このようなディープラーニングの必要性は議論の余地があります（ブラックボックスにとっては否定できないのでしょうが））。 分散やその他の偏差は、確率に基づいてシステムを分析した当然の結果であって、微分方程式に基づくものではありません。得られるのは微分方程式のシステムだけで、その中の変数は注目すべき「ある事象の確率」、あなたにとって重要と思われるそれらの事象で、予測できるのは確率だけですが、正確な値ではありません。それがわかれば、物事が楽になり、分散なども怖くなくなる。分散は必ず発生するので、それを最小化することが課題です。システムの長期的な挙動を100％の精度で予測することはできませんが、一定の数値を達成することは可能であり、それは利益を生む取引には十分です。つまり、機械に仕事をさせず、自由を与えてあげれば、必要なデータは機械が一番よく知っていることがわかるのです。ところで、ブラックボックスについてですが、箱は黒ければ黒いほどスマートです。AIはまさにその原理で作られています。 JeeyCi 2021.10.27 07:28 #24744 Evgeniy Ilin#: .私が言いたいのは、機械に仕事をさせないで、自由にしてあげれば、必要なデータは機械があなたよりずっとよく分かっているということです。ブラックボックスといえば、黒ければ黒いほど賢い。AIはその原理で作られています。 - なるほど、入力データ（と選択する特徴量）が多ければ多いほど、近似推定値やそれに基づく予測値さえも（それでも誤差の確率はあるが）正確になるのか......。 皆さんの書き込みで、開発 者の担当範囲が少し明確になりました。 Evgeniy Ilin #: 分散やその他の偏差は、微分方程式ではなく確率に基づいてシステムを分析した当然の結果であり、得られるのは、変数が「ある事象の確率」、つまりあなたにとって重要と思われる事象に 注目し、予測できるのは確率だけで、正確な値ではない微分方程式システムだけです。 ニュートン前方差分式による微分探索のアルゴリズム EvgeniyIlin # : .偏差は必ず出るもので、それをいかに少なくするかが課題です。 はい、私は以前に残したリンクのどこかに絵がありました〜予測および誤差の収束放物線の一番底に（これはオーバートレーニングを避けるために、時間で停止することです） - 進化はこの点にスパイラルで行く（だから私はそれが完全に停止するまで、減少する加速度と推測 - より大きくから小さくへの分散まで、漏斗を落ちるように）。 追伸 VBAでCalculate Implied Volatility- Implied Volatility withNewton-Raphson Iterationを使って一度コーディングしたのですが、シグナルが見つかりませんでした...。そして、当然のことながら（ブラックホールでは通貨が全く機能しないため、そこではすべてが夢見たいに二項分布していないため）。 ...正直なところ、私はニュートンについて全く詳しくありません。彼がこれほど多くの異なるものを発明したのか（？）、それともこれ（あなたのフォワードと私のImplied Volatility）が同じラインから、同じ観点で、同じ計算の本質であるか...。私はファイナンシャル・モデリングを信じていないのです。 Algorithm To Find Derivatives Using Newtons Forward Difference Formula www.codesansar.com Following steps are required inorder to find derivatives using forward difference formula: JeeyCi 2021.10.27 07:29 #24745 とはいえ、ターゲットとなる関数の選択には疑問が残りますが......。- 開発者の責任でもあるのですが...。- 何かアドバイスがありますか？ (そうそう、前方差分を使ってましたけど) 追伸 自由度について -もう一度見てみる JeeyCi 2021.10.27 07:43 #24746 需要に信じる-供給...クモの巣モデル（弾性体とWalrasianに 注目） - バランス-ディスバランス - 方向性を決定するために...(横ばいからトレンドに出る確率について)OIと時間管理だけ(ワラスにいつも誘導されるわけではないことを含めて)...。 事実のために - ガラス（解析レベルまたはおっと - ポップ氷山） - 誰かがすでにレベルを解析しているときに、もちろん、解析しない方が良いですが、冷静に渡すと、NO -反対は存在しない（故障後のテストと良い - もガラスで、テープ上に表示されます）。 Aleksey Nikolayev 2021.10.27 08:59 #24747 JeeyCi#： ウォラスについて チーズの村とワインセラピーセンターについての話が気に入りました。 Evgeniy Ilin 2021.10.27 10:51 #24748 JeeyCi#： 私はニュートンのことしか言えないんです。過去に既存のカーブを基にフォワードの予想があることは理解しています、私も昔やりましたが、言葉からすると全く価格と連動していません。ただ、バックテストチャートを前倒しで予測しようとするとうまくいくのですが、こんなニュアンスもありますね。 これは、純粋に私の経験です。何かを予測する方法は、関数をある多項式で補間し、その後に継続を構築することに基づいています。ニュートンがどのようにしているのかは知りませんが、おそらく微分を深い次数として計算し、それをこの関数の定数とするのでしょう。もちろん、すべては時間と共に変化しますが（市場ではこのような予測は全く機能しません、私は確認しました）。バックテストを前方に予測する場合、できるだけ直線的で、できるだけ多くのポイント（この場合はデータまたはトレード、その後少し先を見ることができます）が含まれている必要があります。つまり、できるだけ多くの一次導関数の変動幅が十分に狭いサンプルが見つかっていれば、このような外挿法は部分的には有効で、要は欲張らないこと、時間的に止まらないことが重要なのです。以下では、抽選という手段で不確実性に対処する方法を示すだけである（どこで予測が威力を失うのかがはっきりしない場合）。フーリエ変換を補間して、配列をfutureに描画することはできるのですが、任意の関数ではうまくいかないのです。私は他人の数式を使ったことがありません。必要ならすぐに自分の数式を組み立てることができますし、より簡単で便利なものになる可能性が高いからです。 JeeyCi 2021.10.27 14:02 #24749 Evgeniy Ilin#: 私はニュートンのことしか言えないんです。過去のカーブを元にした先読みがあるのは理解できる、昔やった、値段とは全く連動しない、言葉からしてそうだ。 これは、純粋に私の経験です。何かを予測する方法は、関数をある多項式で補間し、その後に継続を構築することに基づいています。ニュートンがどのように行っているかは知りませんが...。(市場では、そのような予測は全く通用しないことがテストされています）。 この結論は私にとって興味深かったです - ありがとうございます- Evgeniy Ilin#: トレーニングファネルについてはどうですか、あなたはさまざまな方法で再教育を制御することができます。私は他の誰かの式を使用したことがない、単に私が必要とする場合は、すぐに自分自身を作ることができるので、彼らはおそらくより簡単で有用である、私はすべてを理解しているので、私はそれで問題があったことがない。 +1ですが、私は物理学専攻ではないので...。他人のモデルを使うより、自分の論理に近いのですが。 エフゲニー・イリン# : バックテストの順張りを予想する場合、チャートをできるだけ直線的にし、その中にできるだけ多くのポイント（この場合はデータやトレード、それから少し先を見ることができる）を入れる必要があります。つまり、できるだけ多くの一階微分の揺らぎ幅が十分に狭いサンプルを見つけていれば、このような外挿法は部分的に有効である。 一般に、1次導関数が線形となる正規の放物線を持つ...結局，（ノイズを排除したトレンドのような）傾きの係数が得られるだけです。は、顔面蒼白になるまで体重を測らなければならないのか？(出力が放物線に なるまで何重にも)...というより、それの直線1倍微分で Evgeniy Ilin#: ここでは手法そのものは二の次で、フーリエ補間や未来への継続を描くことは可能ですが、任意の関数ではうまくいきません。 分布を導き出して表形式／経験的なものと比較するのでもなく、帰無仮説と表形式のものを比較して統計的に（「平均は合っていたのか」まで）くしゃみのたびに確認を求めるのでもない、それがニューラルネットワークに興味をそそられるところです...」。- 前世紀の統計処理か？一般に、前世紀のテーブルを片手に、モデルと予測・誤差の両方の妥当性を証明するのではなく（表現が悪いが）、すべて あるいは、単なる多層重み付け（私はニューラルネットワークと捉えています）...。顔が青くなるまでと言ったところでしょうか。(出力に放物線が 出るまで何重にも）...というか、それの1倍微分を直接やって いるのでは？ あるいは、一般に、あらゆる種類の関数（放物線を含む）を忘れて、weight*signal(event)→次のレベルを検索すればよいのです。そして、各レベルにおいて、関数は、Excelのソリューションファインダーのように（線形依存性、非線形依存性、独立データのいずれか）多少は自明なものを選択すべきです［ただし、これらの名称によって、Excelがボンネットで何をしているかわかりませんが、これは詳細です、論理に重点を置いています］。 で、次のレベルの信号が収束した時点で（前の重みを考慮して）受信信号の差分を全て計算する...。 神経回路網と、曲線や直線を必要としないカオスの機械力による分化を正しく理解して いますか？ - 私の見るところ、それはカオスを構造化した結果 であって、決して出発点ではありません...同じ開発者の責任 です。私は、カオスを近似/補間する際に、本/ブログ/論文からの金融モデル（および統計的に処理された分布）を金融分析に入れることは信じていませんし、理由もないと思って います...。さらに外挿のため 追伸 パラボラの中には、速度（xでの係数）と加速度（x^2での係数）と自由部材の変位しかなく、もちろんその1階微分は線形であることは、心の底から理解しているのですが...。式が怖い、特に他の人のモデルの式が怖い JeeyCi 2021.10.27 15:05 #24750 Evgeniy Ilin#: しかし、私のモデルを確認すると、そこでは、どのようなフォワードを期待しているのかを知ることがメインとなっています。問題は再トレーニングにあり、再トレーニングをしないためには、最終的な基準のセットに対する分析データの比率を最大化する努力をすること、言い換えればデータ圧縮があります。例えば、放物線グラフのデータを分析して数千点を取り、すべてを A*X^2 + B*X + Cの 三つの係数に還元することが可能です。そこがデータ圧縮のクオリティが高いところ、つまりフォワードのところです。このデータ圧縮を考慮して、再トレーニングの品質を示す正しいスカラー指標を導入することで、再トレーニングをコントロールすることができる。私の場合は、もっと単純に、係数を一定数取って、サンプルサイズをできるだけ大きくする方法で、効率は悪いですが、うまくいきます。 さっきの答えは...前の投稿を急がせてしまったようで・・・。少なくとも、速度と加速度のある運動を記述する関数として、放物線から始めるべきでしょう。(このタイプのチャートやオプションのギリシャ（デルタとガンマ）もどこかで見たことがあるが、覚えていないし、探したくもない - 時間分析が必要だ - 縦ではなく横だ）。 1...246824692470247124722473247424752476247724782479248024812482...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
ニューラルネットワークでこれを実現するには、ニューロンの種類をできるだけ変え、層の数とその構成も任意にすれば、可能です。
そうですね、お互いに独立したパラメータを近似して1つの出力にするためには、現在の時点までの過去のデータを統計的に深く計量する必要があります - つまり、代表的なサンプル（大きければ大きいほど、目標を達成する可能性が高い）を持つこと... ブラックボックスでそれらを処理（計量）する... しかしこれはすべて統計であって、現在の経済局面からさえ遠いかもしれないのです...-ただ、分散の大きい平均を取る（変動係数も）。
30年間、経済のサイクルを一通り経験したようですが、同じような経済発展の段階から 現在の兆候を学んだほうがいい（と私は思う）。が、私個人はそのデータ（私がこのような長期にわたる有意義な分析の妥当性を信じるために必要な）を持っていません．
しかし、なぜか、固定アーキテクチャのニューラルネットワークを使う人は、アーキテクチャが柔軟でなければならないことを理解していません。この柔軟性を破壊することによって、再トレーニングを最小化する可能性そのものを破壊してしまうのです。一般的に、同じ基準はもちろん、単純なモデルに適用することができ、必要であっても、あなたは良いフォワードを得るでしょう、私のモデルは、先に数ヶ月の利益を与え、設定は一日で更新されることがあります。基本的な仕掛けの一つは、できるだけ多くのデータ（10年以上の履歴）を取ることです。この場合、グローバルなパターンを探しますが、それは市場自体の物理学に基づいており、ほとんどの場合、非常に長い時間にわたって機能します。
トリックではなく、現実から逃れようとしている...。イムホ
(論理的 - 少ないコストで - 通常のフォワードを取得することが可能です - 現在の瞬間のためにハスキーとナンセンスを分析せずに -すべてが比較によってのみ学習され、あまりにもブラックボックスであっても、まだ最初にあなたの脳を使用し、その後でもそうではない深い機械学習、しかし唯一の現在の市場の状況で重要な兆候によって現在の瞬間の一部に関する） - そして歴史からすべての必要なデータが欠落している...。
しかし、エコシステムを 理解し、その中での物質とエネルギーの交換に関する知識ベースと、ドライビングニュース/イベントをタイムリーに認識することで、平均と分散のためだけにそのようなPCパワーに負荷をかけずに進化を 把握する方法がある...。イムホ
でも、ご指摘ありがとうございます...。しかし、私にとっては、このようなディープラーニングの必要性は議論の余地があります（ブラックボックスにとっては議論の余地はないのでしょうが）。
私のビジョンはもちろんベンチマークではなく、主に時間短縮の観点から話しています。単純に、多くの人と話をした結果、5年後にこのフォーラムを読んで、おそらく自分自身を笑うことになるのは間違いないと思います。ただ、すべての展開が空虚ではなく、受け取ったものをスケールアップしてみるべきと思います。よくねじ込みたくなるのですが、お金にならないのになぜかやっていません。この経験は貴重なものであり、人それぞれの価値があるように思いますが、私たちにできることは、前に進むか、居酒屋で酔っぱらうか、そのどちらかしかありません。私たちは、今あるものを拡大し、強化するだけでいいように思いますし、それはおそらくとてもシンプルなことだと思います。物事を複雑にすればするほど、変な計算を入れたくなればなるほど、すべてが予測不可能になるんです。正直、何年もかけた人はみんな月100%にならないことを理解していると思うし、その時間をかけていない人は、あなたの年100を見て、2ヶ月掛かることを気にせずとも月100のシグナルを買ってしまうと思います。
そうですね、お互いに独立したパラメータを近似して1つの出力にするためには、現在の時点までの過去のデータを統計的に深く計量する必要があります - つまり、代表的なサンプル（大きければ大きいほど、目標を達成する可能性が高い）を持つこと... ブラックボックスでそれらを処理（計量）する... しかしこれはすべて統計であって、現在の経済局面からさえ遠いかもしれません...-ただ、分散の大きい平均を取る（変動係数も）。
30年間、経済サイクルを経験したわけですから、同じような経済発展の段階から 、現在の兆候を学んだ方がいいと思うのですが、どうでしょう？が、私個人はそのデータ（このような長期間にわたる有意義な分析の妥当性を信じるために必要）を持っていないのですが...。
騙すのではなく、現実から逃げようとする...。イムホ
(それは、通常のフォワードを得ることが可能です - 少ないコストで - 論理的 - huskinessと現在の瞬間のための意義の欠如を分析せずに -すべてが比較によってのみ、あまりにもブラックボックスで知られていても、それでも私は最初に私の脳をオンにし、その後もそれほど深くない機械学習、しかし唯一の現在の市場の状況で重要な兆候によって現在の瞬間の一部に関する） - そして歴史からすべての必要なデータが不足している...。
しかし、エコシステムを 理解し、その中での物質とエネルギーの交換に関する知識ベースと、ドライビングニュース/イベントをタイムリーに認識することで、平均と分散のためだけにそのようなPCパワーに負荷をかけずに進化を 把握する方法がある...。イムホ
でも、ご指摘ありがとうございます...。しかし、私にとっては、このようなディープラーニングの必要性は議論の余地があります（ブラックボックスにとっては否定できないのでしょうが））。
分散やその他の偏差は、確率に基づいてシステムを分析した当然の結果であって、微分方程式に基づくものではありません。得られるのは微分方程式のシステムだけで、その中の変数は注目すべき「ある事象の確率」、あなたにとって重要と思われるそれらの事象で、予測できるのは確率だけですが、正確な値ではありません。それがわかれば、物事が楽になり、分散なども怖くなくなる。分散は必ず発生するので、それを最小化することが課題です。システムの長期的な挙動を100％の精度で予測することはできませんが、一定の数値を達成することは可能であり、それは利益を生む取引には十分です。つまり、機械に仕事をさせず、自由を与えてあげれば、必要なデータは機械が一番よく知っていることがわかるのです。ところで、ブラックボックスについてですが、箱は黒ければ黒いほどスマートです。AIはまさにその原理で作られています。
.私が言いたいのは、機械に仕事をさせないで、自由にしてあげれば、必要なデータは機械があなたよりずっとよく分かっているということです。ブラックボックスといえば、黒ければ黒いほど賢い。AIはその原理で作られています。
- なるほど、入力データ（と選択する特徴量）が多ければ多いほど、近似推定値やそれに基づく予測値さえも（それでも誤差の確率はあるが）正確になるのか......。
皆さんの書き込みで、開発 者の担当範囲が少し明確になりました。
分散やその他の偏差は、微分方程式ではなく確率に基づいてシステムを分析した当然の結果であり、得られるのは、変数が「ある事象の確率」、つまりあなたにとって重要と思われる事象に 注目し、予測できるのは確率だけで、正確な値ではない微分方程式システムだけです。
ニュートン前方差分式による微分探索のアルゴリズム
.偏差は必ず出るもので、それをいかに少なくするかが課題です。
はい、私は以前に残したリンクのどこかに絵がありました〜予測および誤差の収束放物線の一番底に（これはオーバートレーニングを避けるために、時間で停止することです） - 進化はこの点にスパイラルで行く（だから私はそれが完全に停止するまで、減少する加速度と推測 - より大きくから小さくへの分散まで、漏斗を落ちるように）。
追伸
VBAでCalculate Implied Volatility- Implied Volatility withNewton-Raphson Iterationを使って一度コーディングしたのですが、シグナルが見つかりませんでした...。そして、当然のことながら（ブラックホールでは通貨が全く機能しないため、そこではすべてが夢見たいに二項分布していないため）。
...正直なところ、私はニュートンについて全く詳しくありません。彼がこれほど多くの異なるものを発明したのか（？）、それともこれ（あなたのフォワードと私のImplied Volatility）が同じラインから、同じ観点で、同じ計算の本質であるか...。私はファイナンシャル・モデリングを信じていないのです。
とはいえ、ターゲットとなる関数の選択には疑問が残りますが......。- 開発者の責任でもあるのですが...。- 何かアドバイスがありますか？
(そうそう、前方差分を使ってましたけど)
追伸
自由度について -もう一度見てみる
需要に信じる-供給...クモの巣モデル（弾性体とWalrasianに 注目） - バランス-ディスバランス - 方向性を決定するために...(横ばいからトレンドに出る確率について)OIと時間管理だけ(ワラスにいつも誘導されるわけではないことを含めて)...。
事実のために - ガラス（解析レベルまたはおっと - ポップ氷山） - 誰かがすでにレベルを解析しているときに、もちろん、解析しない方が良いですが、冷静に渡すと、NO -反対は存在しない（故障後のテストと良い - もガラスで、テープ上に表示されます）。
ウォラスについて
チーズの村とワインセラピーセンターについての話が気に入りました。
私はニュートンのことしか言えないんです。過去に既存のカーブを基にフォワードの予想があることは理解しています、私も昔やりましたが、言葉からすると全く価格と連動していません。ただ、バックテストチャートを前倒しで予測しようとするとうまくいくのですが、こんなニュアンスもありますね。
これは、純粋に私の経験です。何かを予測する方法は、関数をある多項式で補間し、その後に継続を構築することに基づいています。ニュートンがどのようにしているのかは知りませんが、おそらく微分を深い次数として計算し、それをこの関数の定数とするのでしょう。もちろん、すべては時間と共に変化しますが（市場ではこのような予測は全く機能しません、私は確認しました）。バックテストを前方に予測する場合、できるだけ直線的で、できるだけ多くのポイント（この場合はデータまたはトレード、その後少し先を見ることができます）が含まれている必要があります。つまり、できるだけ多くの一次導関数の変動幅が十分に狭いサンプルが見つかっていれば、このような外挿法は部分的には有効で、要は欲張らないこと、時間的に止まらないことが重要なのです。以下では、抽選という手段で不確実性に対処する方法を示すだけである（どこで予測が威力を失うのかがはっきりしない場合）。フーリエ変換を補間して、配列をfutureに描画することはできるのですが、任意の関数ではうまくいかないのです。私は他人の数式を使ったことがありません。必要ならすぐに自分の数式を組み立てることができますし、より簡単で便利なものになる可能性が高いからです。
私はニュートンのことしか言えないんです。過去のカーブを元にした先読みがあるのは理解できる、昔やった、値段とは全く連動しない、言葉からしてそうだ。
これは、純粋に私の経験です。何かを予測する方法は、関数をある多項式で補間し、その後に継続を構築することに基づいています。ニュートンがどのように行っているかは知りませんが...。(市場では、そのような予測は全く通用しないことがテストされています）。
この結論は私にとって興味深かったです - ありがとうございます-
トレーニングファネルについてはどうですか、あなたはさまざまな方法で再教育を制御することができます。私は他の誰かの式を使用したことがない、単に私が必要とする場合は、すぐに自分自身を作ることができるので、彼らはおそらくより簡単で有用である、私はすべてを理解しているので、私はそれで問題があったことがない。
+1ですが、私は物理学専攻ではないので...。他人のモデルを使うより、自分の論理に近いのですが。
バックテストの順張りを予想する場合、チャートをできるだけ直線的にし、その中にできるだけ多くのポイント（この場合はデータやトレード、それから少し先を見ることができる）を入れる必要があります。つまり、できるだけ多くの一階微分の揺らぎ幅が十分に狭いサンプルを見つけていれば、このような外挿法は部分的に有効である。
一般に、1次導関数が線形となる正規の放物線を持つ...結局，（ノイズを排除したトレンドのような）傾きの係数が得られるだけです。は、顔面蒼白になるまで体重を測らなければならないのか？(出力が放物線に なるまで何重にも)...というより、それの直線1倍微分で
ここでは手法そのものは二の次で、フーリエ補間や未来への継続を描くことは可能ですが、任意の関数ではうまくいきません。
分布を導き出して表形式／経験的なものと比較するのでもなく、帰無仮説と表形式のものを比較して統計的に（「平均は合っていたのか」まで）くしゃみのたびに確認を求めるのでもない、それがニューラルネットワークに興味をそそられるところです...」。- 前世紀の統計処理か？一般に、前世紀のテーブルを片手に、モデルと予測・誤差の両方の妥当性を証明するのではなく（表現が悪いが）、すべて
あるいは、単なる多層重み付け（私はニューラルネットワークと捉えています）...。顔が青くなるまでと言ったところでしょうか。(出力に放物線が 出るまで何重にも）...というか、それの1倍微分を直接やって いるのでは？
あるいは、一般に、あらゆる種類の関数（放物線を含む）を忘れて、weight*signal(event)→次のレベルを検索すればよいのです。そして、各レベルにおいて、関数は、Excelのソリューションファインダーのように（線形依存性、非線形依存性、独立データのいずれか）多少は自明なものを選択すべきです［ただし、これらの名称によって、Excelがボンネットで何をしているかわかりませんが、これは詳細です、論理に重点を置いています］。
で、次のレベルの信号が収束した時点で（前の重みを考慮して）受信信号の差分を全て計算する...。
神経回路網と、曲線や直線を必要としないカオスの機械力による分化を正しく理解して いますか？ - 私の見るところ、それはカオスを構造化した結果 であって、決して出発点ではありません...同じ開発者の責任 です。私は、カオスを近似/補間する際に、本/ブログ/論文からの金融モデル（および統計的に処理された分布）を金融分析に入れることは信じていませんし、理由もないと思って います...。さらに外挿のため
追伸
パラボラの中には、速度（xでの係数）と加速度（x^2での係数）と自由部材の変位しかなく、もちろんその1階微分は線形であることは、心の底から理解しているのですが...。式が怖い、特に他の人のモデルの式が怖い
しかし、私のモデルを確認すると、そこでは、どのようなフォワードを期待しているのかを知ることがメインとなっています。問題は再トレーニングにあり、再トレーニングをしないためには、最終的な基準のセットに対する分析データの比率を最大化する努力をすること、言い換えればデータ圧縮があります。例えば、放物線グラフのデータを分析して数千点を取り、すべてを A*X^2 + B*X + Cの 三つの係数に還元することが可能です。そこがデータ圧縮のクオリティが高いところ、つまりフォワードのところです。このデータ圧縮を考慮して、再トレーニングの品質を示す正しいスカラー指標を導入することで、再トレーニングをコントロールすることができる。私の場合は、もっと単純に、係数を一定数取って、サンプルサイズをできるだけ大きくする方法で、効率は悪いですが、うまくいきます。
さっきの答えは...前の投稿を急がせてしまったようで・・・。少なくとも、速度と加速度のある運動を記述する関数として、放物線から始めるべきでしょう。(このタイプのチャートやオプションのギリシャ（デルタとガンマ）もどこかで見たことがあるが、覚えていないし、探したくもない - 時間分析が必要だ - 縦ではなく横だ）。