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 2591

新しいコメント
 
マキシム・ドミトリエフスキー＃．
はい、それに応じて、外部でパラメータを試すことで、MT5の通常のボットとしてテストし、最適化することが可能です。バーではすぐにテストできますが、ダニではツリー単体で長い時間評価するため、遅れが生じる可能性があります。

まあ、MLを入れたら、それ以上最適化したくないというのが本音でしょう。オーバーフィッティングの風はそちらから吹いてくる）。速度が正常であれば、少なくとも確実に試すことができますが。一般的には、はい、私はML上のトレーダーアドオンにはほとんど注意を払っていない最高の統合速度のため、そう統合され、テスター条件付きネイティブでそれがテストと通常の速度に可能であれば、それは確かに可能性の追加の地平を開く。


そして、一般的に、より良い速度（私のソリューションと比較して、速度に通常の差があると思います）は常に良いです - 多くのロボットがある場合、タイムフレームが小さく、速度がより重要である場合の両方です。

 
Aleksey Nikolayev#:

モデルのパラメータ空間で？巨大な次元性を持っているのです。これは、予測変数の数が少ない非常に単純なモデルでのみ可能です。

巨大な次元の空間に、どのようにして曲面を作ることができるのか、あまり明確ではありません。この次元数に対して、私たちは単純に点数が少ないだけなのです。PCAなどの次元ダウンスケーリングによる可視化であれば別ですが、その点は不明です。

ごちゃごちゃと混ざっていますね。

どのようなモデルパラメータを議論しているのでしょうか？

モデルがMOのものならまだしも、テスターのEAとなると全く別物ですからね。

テスターで最適化されたモデルは、たいてい何の問題もない。例えば、レッカー車で時代を選び始めて、ある程度決まった結果が出る。このような "魔法使い "がたくさんいて、それぞれ独自のパラメータを持っていると、結果的に滑らかな表面は得られず、将来的に一致するかもしれないランダムなピークが選ばれることになるのです。なぜ？私にとって答えは明白で、これらの「ワイプ」のパラメータはモデルの性能に関係なく、単なるノイズに過ぎません。


もう一つは、MOのモデルパラメータが予測変数のセットである場合、予測変数の有無がシミュレーションの結果に関係するかどうか、という問題を有意義に提起することができます。RF、neuronc、その他、モデルを選択する際にも同様のことが言えます。

 
SanSanych Fomenko#:

ごちゃごちゃと混ざっていますね。

どのようなモデルパラメータを議論しているのでしょうか？

モデルがMOのものならまだしも、テスターのEAとなると全く別物です。

テスターで最適化されたモデルは、たいてい何の問題もない。例えば、レッカー車で時代を選び始めて、ある程度決まった結果が出る。このような "魔法使い "がたくさんいて、それぞれ独自のパラメータを持っていると、結果的に滑らかな表面は得られず、将来的に一致するかもしれないランダムなピークが選ばれることになるのです。なぜ？私にとって答えは明白で、これらの「ワイプ」のパラメータはモデルの性能に関係なく、単なるノイズに過ぎません。


もう一つは、MOのモデルパラメータが予測変数のセットである場合、予測変数の有無がシミュレーションの結果に関係するかどうかという問題を意味のある形で提起することができます。モデルもRF、ニューロニック、その他と選べば、状況は似ています。

確かに、すべては辻褄が合います。パラメータはパラメータ、プレディクターはプレディクター。ダミーの例では、パラメーターがその期間、予測変数がそのダミーの値です。1個や2個のボールであれば、必要な表面を作ることは難しくありませんが、数百個のボールとなると、予測変数とパラメータ空間の次元が大きくなるため、すでに完全に意味が失われています。

テスターのモデルとMOパッケージのモデルには根本的な違いはなく、違いは技術的なもの（使用するソフトウェアの能力）だけです。

 
Aleksey Nikolayev#:

たしかに、束になっている。パラメータはパラメータ、プレディクターはプレディクター。ダミーの例では、パラメーターがその期間、予測変数がそのダミーの値です。1個や2個のボールであれば、必要な表面を作ることは難しくありませんが、数百個のボールとなると、予測変数とパラメータ空間の次元が大きくなるため、すでに完全に意味が失われています。

テスターのモデルとMOパッケージのモデルには根本的な違いはなく、違いは技術的なもの（使用するソフトウェアの能力）だけです。

私は干渉したくないのですが、数百のMAについて一言...その妥当な数には限界があり、それは1.386*ln（N）以上ではありません（ここでNは観測史全体です）。

 
最適化面解析は諸刃の剣でもある。プラトーに到達したからといって、何かが保証されるわけではありませんが、「そろそろ工場に行こうかな」と思うまでの一時的な励みにはなります。さらに、最適化・学習アルゴリズムは、局所極限を破るようにある程度調整されている、つまり、大域的極限を探索するように調整されているのである。
 
Maxim Dmitrievsky#:
最適化表面解析は諸刃の剣でもある。そして、プラトーに到達しても、何も保証されません。工場に行く時期だとわかるまで、一時的なインスピレーションを与えてはくれますが。
神の批評
 
mytarmailS#:
神聖な批評
試してみました :)
 
Maxim Dmitrievsky#:
Trying :)
プラトー」と「グローバルミニマム」の違いを理解できればいいのですが......。
 
mytarmailS#:
「プラトー」と「グローバルミニマム」の違いを理解したいものです。
何を求めているかによる。理想や夢のような、地球上の高原を意味する。
 
誰も堅牢性が良いとは主張していない。問題は、それを実現するためのシンプルで絶対的な方法がないことです。
1...258425852586258725882589259025912592259325942595259625972598...3399
新しいコメント