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 2555 1...254825492550255125522553255425552556255725582559256025612562...3399 新しいコメント Maxim Dmitrievsky 2022.01.28 18:55 #25541 mytarmailS#: では、なぜこのクラスは正しく予測できないのでしょうか?引用元がモデルの予想と違うから、間違った分布。正しい分布から見積もりを生成すれば、良いのでしょうが...。 やってみてください、やったかどうか忘れましたが、似たような発想で でも、過去と未来につながりはないでしょう。つまり、n本のバーの将来の状態を予測することは容易ではなく、1-2ステップ先よりも難しいかもしれません。 mytarmailS 2022.01.28 19:13 #25542 Maxim Dmitrievsky#: やってみてください、やったかどうか忘れましたが、似たような発想で しかし、ほとんどの場合、過去と未来の間につながりはない。つまり、n本のバーの将来の状態を予測することは容易ではなく、1-2ステップ先の状態よりもさらに難しいかもしれません。 理論的には、将来の分布を予測することは、シリーズの移動平均を予測することとほぼ同じであり、それは価格自体を予測するよりも簡単です、より多くの慣性がある... 多分私は気分で、明日試してみます。 Aleksey Nikolayev 2022.01.28 19:28 #25543 Maxim Dmitrievsky#: そのモデルが将来も機能するはずだと仮定すると、あらゆる種類の誤差(ノイズを含む)が必ず発生するので、そのバランスを取ることが課題です。ですから、私たちは本質的に同じことを話しているのです。実は、私はこの問題を別の方法で解いていたので、リーディングクエスチョンを書いているわけです。 グローバルな視点で見れば、私も同意見です。最終的にどのようなアルゴリズムが採用されたとしても、それを使用する際の問題点は常に同じです。 ちなみに、今日のブログでfxsaberさんが、やや似たような考え(指標値が 典型的な値からかけ離れた案件の排出)を表明していました。 Rorschach 2022.01.28 20:43 #25544 70年代に読んだ本には、「自己相関が なければ予測はできない」と書いてありました。もっと現代的なものはないのでしょうか? Valeriy Yastremskiy 2022.01.28 21:36 #25545 Aleksey Nikolayev#: グローバルな視点で見ると、私もそう思います。最終的にどのようなアルゴリズムを使っても、それを使うときの問題は常に同じです。ちなみに、今日のブログでfxsaberさんが、やや似たような考え(典型的な指標値から かけ離れたトレードの排出)を表明していました。 全く同感です。ダイナミックな幅を持つコリドーの変動は、予測とその確率のバランスの選択を意味する。 Sceptorist 2022.01.28 23:00 #25546 新参者ですが、テスター/オプティマイザーでEAを最適化 するのは、MOでしょうか? Farkhat Guzairov 2022.01.29 00:46 #25547 Sceptorist#: テスター/オプティマイザーでEAを最適化 することがMOなのかどうか、初心者に教えてください。 最適化は、どちらかというとニューラルネットワークを学習させるプロセスに似ています。 かつては、最も関連性の高いセットを取得するための最適化を自動化するソリューションもありました。 Maxim Dmitrievsky 2022.01.29 04:00 #25548 モデル選択に関する講義 いわば誤解のないように Aleksey Nikolayev 2022.01.29 06:26 #25549 Sceptorist#: 初心者ですが、テスター/オプティマイザーでEAを最適化 するのはMOでしょうか? MOはあくまでアルゴリズムの集合体です。中にはテスターの最適化で十分な人もいます。例えば、KNNで最適なKを見つける必要がある場合。しかし、ほとんどのアルゴリズムには、それぞれ特有の最適化の方法があります。例えば、ニューラルネットワークにおける勾配降下。 一般的には、与えられた最適化アルゴリズム(ブルートフォースと遺伝的最適化)に特定のモデルを適合させることができるかどうかで答えが決まります Aleksey Nikolayev 2022.01.29 07:43 #25550 Maxim Dmitrievsky#: モデル選択に関する講義いわば、誤解のないように。 ボロンツォフはおそらくロシアで最も優秀な国防省の専門家だ。したがって、このコースは良いに決まっているのですが、IT関係者向けなので、私たちにとって基本的で重要な数学が省略されているのです。私は何度も気づいたのだが、数学的手法をトレーディングに応用する場合、基本的で簡略化された形が適しているものは少ないのである。 MOは、予測因子と応答の一定の結合分布P(X,Y)があるという仮定に基づいています(例えば、Tibshiraniを参照)。そこから条件付き確率Py(Y|X)を計算し、そこから回帰Y=f(X)を計算することができる。最終的には、この回帰はいくつかのMOモデルで近似される。物理の世界では、この理論がほぼ通用する。しかし、トレーディングではそうはいきません。P(X,Y)が時間とともに予測不可能に変化すること(非定常性)が判明し、理論全体が少し崩れて しまう。 最も一般的なアプローチは、非定常性を無視するだけで、その結果に驚き、手口に文句をつけることです)。 1...254825492550255125522553255425552556255725582559256025612562...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
では、なぜこのクラスは正しく予測できないのでしょうか?引用元がモデルの予想と違うから、間違った分布。正しい分布から見積もりを生成すれば、良いのでしょうが...。
やってみてください、やったかどうか忘れましたが、似たような発想で
でも、過去と未来につながりはないでしょう。つまり、n本のバーの将来の状態を予測することは容易ではなく、1-2ステップ先よりも難しいかもしれません。やってみてください、やったかどうか忘れましたが、似たような発想で
しかし、ほとんどの場合、過去と未来の間につながりはない。つまり、n本のバーの将来の状態を予測することは容易ではなく、1-2ステップ先の状態よりもさらに難しいかもしれません。そのモデルが将来も機能するはずだと仮定すると、あらゆる種類の誤差(ノイズを含む)が必ず発生するので、そのバランスを取ることが課題です。ですから、私たちは本質的に同じことを話しているのです。
実は、私はこの問題を別の方法で解いていたので、リーディングクエスチョンを書いているわけです。
グローバルな視点で見れば、私も同意見です。最終的にどのようなアルゴリズムが採用されたとしても、それを使用する際の問題点は常に同じです。
ちなみに、今日のブログでfxsaberさんが、やや似たような考え(指標値が 典型的な値からかけ離れた案件の排出)を表明していました。
グローバルな視点で見ると、私もそう思います。最終的にどのようなアルゴリズムを使っても、それを使うときの問題は常に同じです。
ちなみに、今日のブログでfxsaberさんが、やや似たような考え(典型的な指標値から かけ離れたトレードの排出)を表明していました。
全く同感です。ダイナミックな幅を持つコリドーの変動は、予測とその確率のバランスの選択を意味する。
テスター/オプティマイザーでEAを最適化 することがMOなのかどうか、初心者に教えてください。
最適化は、どちらかというとニューラルネットワークを学習させるプロセスに似ています。
かつては、最も関連性の高いセットを取得するための最適化を自動化するソリューションもありました。
モデル選択に関する講義
いわば誤解のないように
初心者ですが、テスター/オプティマイザーでEAを最適化 するのはMOでしょうか?
MOはあくまでアルゴリズムの集合体です。中にはテスターの最適化で十分な人もいます。例えば、KNNで最適なKを見つける必要がある場合。しかし、ほとんどのアルゴリズムには、それぞれ特有の最適化の方法があります。例えば、ニューラルネットワークにおける勾配降下。
一般的には、与えられた最適化アルゴリズム(ブルートフォースと遺伝的最適化)に特定のモデルを適合させることができるかどうかで答えが決まります
モデル選択に関する講義
いわば、誤解のないように。
ボロンツォフはおそらくロシアで最も優秀な国防省の専門家だ。したがって、このコースは良いに決まっているのですが、IT関係者向けなので、私たちにとって基本的で重要な数学が省略されているのです。私は何度も気づいたのだが、数学的手法をトレーディングに応用する場合、基本的で簡略化された形が適しているものは少ないのである。
MOは、予測因子と応答の一定の結合分布P(X,Y)があるという仮定に基づいています(例えば、Tibshiraniを参照)。そこから条件付き確率Py(Y|X)を計算し、そこから回帰Y=f(X)を計算することができる。最終的には、この回帰はいくつかのMOモデルで近似される。物理の世界では、この理論がほぼ通用する。しかし、トレーディングではそうはいきません。P(X,Y)が時間とともに予測不可能に変化すること(非定常性)が判明し、理論全体が少し崩れて しまう。
最も一般的なアプローチは、非定常性を無視するだけで、その結果に驚き、手口に文句をつけることです)。