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 2479

新しいコメント
 
iwelimorn#:

ありがとうございます。おそらく、悶々としているのではなく、私の基礎知識が不足しているのでしょう。

これは、複数の独立変数のセットが1つの変数に対応する場合にも当てはまるのでしょうか？

ニットです。こういうのは当たり前なんです。
 
Dmytryi Nazarchuk#:

自分が何を書いたか理解していたのか？

そう、データの不整合というやつですね。私は20年前からネットワークと付き合っているので、このスレッドの管理人と言えるかもしれませんね。なぜ、そんなことを聞くのですか？
 
iwelimorn#:

同じ例が複数の状態を記述している場合、利用可能なアルゴリズムで分類すると、1/n（nは状態の数）に近い確率を得ることができますね。

しかし、絶対に似ている例というのはなく、ある程度似ている。問題は、この「類似性」をどのように検出するかである。


M5で3ヶ月で100例...不思議なんですが、オリジナルサンプルの中からルールに従ってサンプルを選び、 それをトレードに使っているのでしょうか？

2つのベクトルが非常に近いが目標値が異なる場合、入力ベクトルのわずかな変化で結果が大きく変わってしまうため、アルゴリズムに小さな曲げをさせ、モデルの安定性を低下させることになる。これは、モデルが入力データに非常に敏感になるため、より頻繁にエラーを起こす可能性があり、また良いことではありません。

М5で3ヶ月で100サンプルは、データを間引くことで実現しています。これは、すべてのバーで分析するのではなく、分析のための条件が形成された、ある時点でのみ相場を分析させる基本的な戦略です。私の記事を読めば、おおよそのことはご理解いただけると思います。本当は少し時代遅れで、そこではあまり使っていないのですが（移動してしまった）、そこの基本コンセプトは変わっていないのです

 
Mihail Marchukajtes#:
はい、不整合データというやつです。私は20年前からネットワークに携わって いるので、この枝の 番人とも 言えるでしょう。なぜ、そんなことを聞くのですか？

また飲んでるの？)

それとも、もっと面白いものに変わったのでしょうか？))
 
Mihail Marchukajtes#:
はい、不整合データというやつです。私は20年前からネットワークに携わっているので、この枝の番人とも言えるでしょう。なぜ、そんなことを聞くのですか？
いいえ、そうではありません。
 
mytarmailS#:

また飲んでるのかよ :))

それとも、もっと面白いものに乗り換えたのでしょうか？))
さて、今日は休みなので、おしゃべりをしようと思います。私が元気なうちに、若い人たちにセンスを教えてあげてください（笑)パイプを持ってないんだ、そうでなければおしゃべりになっちゃうよ :-)
 
Dmytryi Nazarchuk#:
いいえ、違います。
意味がよくわからないので、もう少しはっきり言ってもらえませんか。というか、まったくわからない :-)
 
誰か解析できる人いないの？
 
Mihail Marchukajtes#:
意味不明なので、もっとわかりやすくしてもらえませんか？というか、まったくわからない :-)

RUNNING RIVERSに機械学習の手法を適用する場合、同じ入力変数のセットが同じ従属変数に対応する状況は、ほとんどありません。従属変数の値が異なると、予測誤差が発生し、それを最小化する必要があります。

このスレッド全体は予測誤差を最小にするためのものですよ、アクサカルさん。

平凡な真実...。

 
Dmytryi Nazarchuk#:

REMOTE RUNNINGに 機械学習の手法を適用する場合、以下のような状況になります。

なんでランダムなの？

1...247224732474247524762477247824792480248124822483248424852486...3399
新しいコメント
理由: