Машинное обучение. Как обсуждалось в этой статье , машинное обучение — это не что иное, как область обучения, которая позволяет компьютерам «учиться», как люди, без необходимости явного программирования. Что такое прогнозирующее моделирование: прогнозирующее моделирование — это вероятностный процесс, который позволяет нам прогнозировать...
どうですか？グリッドを使った検索も同じように考えているので、既に実装されている方法論に興味があります。
時には、松葉杖のように、戦略を数学的な負の期待値に近づけてしまうこともあるのです。
私は、モデルを利益で評価するのではなく、正しいクラス予測の力学で評価することもあります。基本的には同じバランスですが、変化が確定しています。要は、分類精度だけでなく、市場のボラティリティの変動によっても戦略が左右される可能性があり、分類精度の動態を金銭的な表現抜きで見る必要があるのです。
ターゲット、属性をすべて集めたところです。設計変数は属性パラメータ、ターゲットとした。2つのインジケータ＋ターゲット1つのトリオを形成し、カットバストでトレーニングしました。テストサンプルでの学習精度が最大となるようなトリオを選択し、対象となるトリオが十分なシグナルを出す可能性があるかどうかでフィルタリングしています。
その結果、5つのトリオの記号＋ターゲット1が見つかりました。しかし、すでに示したように、良い売買シグナルを出すターゲットに対して93%の予測精度は十分ではありません。 ちなみに、見つけた3つのデータセット、異なる構成の完全連結ニューラルネットワーク、ランダムフォレストで学習させてみましたが、テストサンプルでの学習精度とテスト結果は同じでした。
良いアイデアですね！ありがとうございます！最後まで頑張ります。
私は分足という速い相場を取引しているので、1秒の間に自分の数学的な予想以上に価格が上がることがあることを知っています。
分単位の交換なんて...。そこには多くのノイズがあり、ノイズを滑らかにするために平均化ウィンドウを増やすと、より高い時間軸に近い絵が得られます。
1分足でトレードすることの意味、ヒントを教えてください。もしかしたら、私が何か理解していないのかもしれません。
要するに、すべては無駄であり、MOでは市場は騙せないのです。
第1図に示すようなクラス分布の特性とターゲットを発見した。
このデータセットを用いて学習させたテスト用と学習用のkatbustモデルの精度は93%であった
第2図は、対象取引のバランスとエクイティのグラフである。
3つ目の図は、学習させたkatbustaモデルのシグナルで取引した場合の残高と資本のグラフである。
では、皆さん、解散してください。
あなたのやっている仕事は、私にとってとても身近なものです。
以下のようにお願いします。
ところで、グラディエントブーストは なぜか挙動が不規則です。ブーストを犠牲にしてまで完璧を目指したため、再教育された可能性が高い。
ただ、私のターゲット、ターゲット属性をすべて集めました。設計変数は形質パラメータ、ターゲットであった。2属性＋対象属性のトリオを編成し、猫バスターで育成しました。テストサンプルでの学習精度が最大となるようなトリオを選択し、対象となるトリオが十分なシグナルを出す可能性があるかどうかでフィルタリングしています。
その結果、5つのトリオの記号＋ターゲット1が見つかりました。しかし、すでに示したように、良い売買シグナルを出すターゲットに対して93%の予測精度は十分ではありません。 ちなみに、発見されたトリオ、ランダムフォレストによって異なる構成のフルリンクニューラルネットワークを訓練してみましたが、テストサンプルに対する訓練精度とテスト結果は同じでした。
同じサンプルで異なるターゲットをトレーニングして本当に良いのでしょうか？例えば、トレンドの反転と平坦な位置からのトレンドへの移行は、予測する指標を異ならせることになります。
キャットバストには疑問がある。
- サンプルは2つだけで、検査用を一度に使わないのですか？
- モデルには何本の木があるのですか？
- テストサンプルからの学習にハルティングを使用するのですか？
- ラーニングレートを教えてください。
- は、クラス1が入力方向、または方向が既に設定されている信号に対して責任を負うのでしょうか？
いいアイデアですね、ありがとうございます！最終的にやってみます。
どういたしまして :)また、確率分布による利益や精度を見ることも有効です。
分単位で仕事ができるなんて......。そこにノイズが乗っています。 そして、平均化窓を大きくしてノイズを滑らかにすると、より高い時間軸に近い絵になります。
1分足でトレードすることの意味、ヒントを教えてください。もしかしたら、私が何か理解していないのかもしれません。
私はSiをトレードしていますが、そちらではすべてが非常にテクニカルに進みますし、学ぶべきシグナルも多くあります。
基本的には、複数のTFからの情報、水平レベルの多くを予測に使用し、分足は私の頭の中で価格に影響を与えるイベントへの迅速な反応を可能にするだけです。
ところで、グラディエントブーストは なぜか挙動が不規則です。理想を追い求めるあまり、ブーストを犠牲にし、オーバートレーニングになっている可能性が高い。
しかし、学習率を上げると汎化が進むので、すべての質問に正解があるわけではなく、サンプルが代表的でない場合は、各例に対して履歴にフィッティングするよりも効果的です。
基本的には、複数のTFからの情報、多くの水平レベルの情報を予測因子として使っています。
水平方向のレベルはどのように使うのですか？現在の価格から100、500、1000の単位までの距離？
水平方向のレベルはどのように使うのですか？価格から100分の1までの距離、500、1000？
ポイントではなく、パーセンテージを使うようにしています。一日のグリッド（例えばATR）がある場合、私はそこに予測因子と現在のバーのオープン価格を入れて、私は価格がレベルに対してどこにあるかを知っている、できればレベルクロスのイベントをマークし、それがどのくらい前だったか...。
どれも再トレーニングで、入力はほとんどランダムなんです。
共分散と相関は そのままに...。(ランダムなようです)。
実際にいくつの基本構成 要素にこだわればいいのか、いくつかの経験則が適用されるかもしれません。
結局のところ、それはただ
予測モデリングとは：予測 モデリングとは、ある予測因子に基づいて結果を予測することができる確率的なプロセス である。これらの予測変数は、基本的に最終的な結果、すなわちモデルの結果を決定する際に登場する関数である。
どの予測因子やラベルを選ぶか、どのアルゴリズムを 使うかは、個人の好みの問題ですが......。- 最初に最終的なBull/Bear/Hold-onより 広いシステムを考えた場合．
のモデリング能力についての記述が あるのは、そのためです。
マキシム・ドミトリエフスキー
は、常に金の値打ちがある
1.まず、経験的に、あるいは仮定に基づいて、統計的検定を行い、探索領域を定義する。そして、MOアルゴリズムが選択される。
オプション2.
2.任意の分類器を通じた検索戦略、その内部構造（特徴の重要度、シャップ値、さまざまなメトリック）の分析。
- あくまでも「希望を持って」・・・。"ある多項式で"...+有用なデータ変換を（MOに関係なく）ピックアップするのは、まさにArt!少なくとも線形計画法と二次計画法では、両方の関数が異なり、結果も解釈も異なるのです。