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 2706 1...269927002701270227032704270527062707270827092710271127122713...3399 新しいコメント Aleksey Vyazmikin 2022.08.27 08:27 #27051 mytarmailS #: ここを読んでいると、みんながそれぞれの会話を理解しているのがわかる...。 一人はチームを、もう一人は別の何かを見ていた。 カロッホ:このケースはこうあるべきだ:初期データとターゲットがある共通の未加工データセットがある... csvかtxtで、誰でも、どんな言語からでも、それを使って何かできるように...。 誰もが自分自身のために作るべき予測因子、それが生データである理由だ... 私はmclには触れない。あなたが最初のルールを説明するか(fn.Active. あなたによれば)、私が前に言ったようにmashkaでやるかだ。 この目的は、特徴を生み出す方法を比較することであって、チームではないし、金儲けでもない。 私がまだコードでシステムを作っていないから、特徴の生成方法を比較することはできない。比較できるのは、私の予測変数のセットと、それらを選択するための私のシステム/方法論を使ったあなたのシステムです。 誰でもMQLサーバーの履歴区間からデータを得ることができます。しかし、最終的にトレーニングされるサンプルは、桁外れに小さいサンプル列となりますが、予測変数が追加されます。 私が提案するExpert Advisorは、オープンした予測子を保存し、csvファイルの最後には財務結果とターゲットの列があります。 私は、2010年から2020年までの時間間隔をトレーニングに、残りの時間をトレーニング以外の結果のテストに使うことを提案します。 予測子を作成したら、結果をcsvで保存することができます。さらに、カラムをマージして、異なる範囲、あるいは別々に研究することもできます。 マークアップを全くしたくないのであれば、純粋にマークアップしたものをお送りすることもできます。 Maxim Dmitrievsky 2022.08.27 08:50 #27052 Aleksey Vyazmikin #:私はまだコードでシステムを作っていないので、特徴生成の方法を比較することはできません。あなたのシステムと私の予測変数のセット、およびそれらの選択システム/方法を比較することはできます。MQLサーバーのヒストリカル・インターバルからデータを取得することは誰にでもできる。しかし、トレーニングに使用される最終的なサンプルは、例題を含む桁違いの小さな文字列になりますが、予測変数が追加されます。私が提案するExpert Advisorは、オープンした予測子を保存し、csvファイルの最後には、財務結果とターゲットの列があります。2010年から2020年までがトレーニングで、それ以外の期間はトレーニング以外の結果のチェックに使うことをお勧めします。予測変数を作成したら、結果をcsvで保存できます。カラムをマージして、異なる範囲について研究することも、別々に研究することもできます - 同期の正しさを比較するために必要です。同期が正しいかどうかを比較するために必要です。マークアップを全くしたくないのであれば、純粋にマークアップを送ることもできます。ロジックに戻りましょう様々な属性があり、それらが有益であるかどうかは、ターゲットとの関係によって決まる。関係性と適合性の違いは何だろうか?各特徴に対するラベルの情報依存度が低ければ低いほど、学習にはより多くの特徴が必要になる。特徴数を増やすと、システムが非常に多くの自由パラメータを持つようになるため、フィッティングが起こりやすくなる。この場合、唯一正しいアプローチは何でしょうか?特徴数を最小化し、ターゲット特徴に対する比率を高める。そのためには、何らかの情報結合基準に従って、特徴量だけでなく対象特徴量も爆撃する必要がある。 この方向で研究してくれる人がいれば、コードを書くのを手伝います。 Aleksey Vyazmikin 2022.08.27 09:26 #27053 Maxim Dmitrievsky #:ロジックに戻ろう多くの異なる属性があり、それらが有益である場合もあれば、そうでない場合もある。関係性と適合性の違いは何か。個々の特徴量に対するラベルの情報依存度が低ければ低いほど、学習にはより多くの特徴量が必要になる。特徴数を増やすと、システムが非常に多くの自由パラメータを持つようになるため、フィッティングが起こりやすくなる。この場合、唯一の正しいアプローチは何でしょうか?特徴数を最小化し、ターゲット特徴に対する比率を高める。そのためには、何らかの情報結合基準に従って、特徴量だけでなく対象特徴量も爆撃する必要がある。 もしこの方向で研究してくれる人がいれば、コードを書くのを手伝います。 もちろん、私もその論理には賛成です。だからこそ、私は先に、ランダムに予測因子を特定し、それをマークアップに使うことを提案したのです。 私にとっては、予測能力を持つこれらのポイントはイベントであり、一般的には、別々にトレーニングするか、シートをそれらから分離して、任意の累積トレーニング手順を実行することを考えます。 このようなイベントは、独立したトレーディング・システムとみなすことができ、これらのシステムの動作/効率を分析することができます。 今、私にとってネットの問題は、これらのイベントの独立した会計、すなわち、通信や他の喜びの損失と実際のデータ上で正しく動作する仮想サポートです。 mytarmailS 2022.08.27 11:51 #27054 Aleksey Vyazmikin #:特徴生成の方法は、まだコードでシステムを作っていないので比較できない。メソッドの比較。 それだけに興味がある。私は自分のサンプルを持っていますが、それを完成させ、私のスーパードゥーパー・アルゴリズムを適用するエネルギーとモチベーションがありません。私のサンプルを使って、しかもμl))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))いや、遠慮するよ...。自分のワゴンを引っ張りたくないのに、自分もワゴンを引っ張れって。 まさにそんな感じ。 Aleksey Vyazmikin 2022.08.27 11:53 #27055 mytarmailS #:メソッドの比較 私が興味があるのはそれだけだ。 だから、人間と機械による予測器生成法を比較するんだ :) mytarmailS 2022.08.27 12:03 #27056 Aleksey Vyazmikin #:人間と機械による予測変数の生成方法を比較しよう :) なぜあなたはこの仕事に携わっているのですか? Aleksey Vyazmikin 2022.08.27 12:12 #27057 mytarmailS #: じゃあ、君はこの仕事で何をしているんだい? はっきりさせておきたいんだが、私が生成した予想屋だ。 mytarmailS 2022.08.27 12:20 #27058 Aleksey Vyazmikin #:具体的には、私が生成した予測因子だ。 そこに価値があると本当に思っているのか? Maxim Dmitrievsky 2022.08.27 12:58 #27059 Aleksey Vyazmikin #:もちろん、その論理には同意する。だからこそ、私は先に、ランダムに予測因子を特定し、それをマークアップに使うことを提案したのだ。私にとっては、予測能力を持つこれらのポイントは、一般的に別々にトレーニングする、あるいはシートと切り離して、あらゆる集計トレーニングの手順を実行すると考えるイベントです。このようなイベントは、独立したトレーディング・システムとして考えることができ、これらのシステムの動作/効率を分析することができます。さて、私にとってのネットの問題は、これらのイベントの独立した会計処理、すなわち、通信やその他の楽しみを失うことなく、実際のデータ上で正しく機能する仮想サポートである。 まず第一に、思考を妨げる不必要な言葉や用語を取り除く必要がある。そうでなければ、共同作業は不可能だからだ。サインを選択する一般的なアプローチはあるが、時系列や取引の特殊性に合わせる必要がある。既成のものを使って、チャートをマークアップする際にどうすればうまく使えるかを考えることだ。ツールキットはすべて揃っている。イベント、ポイント、ルール、シグナル...これらはすべて機械学習とは関係なく、実際に何をするのかの理解が曖昧になる。結局、頭の中のドロドロを別のものに移し替えることになる。皆さんは自転車のことを書き、科学的な方法を発明し、何かが起ころうとしているはずなのに、計算能力や欲望や奴隷が不足しているため、すべてが予定通りに進んでいる。しかし、あなたには計算能力がない、欲望がない、奴隷がいない、だからすべてが予定通りなのだ。同時に、あなたには自分がやっていることの厳密な定義や、そこに論理性があるのかどうかもわからない。これらは自分自身に対する言い訳であり、感情的なアプローチである。時には、散らばった言葉や考えを体系化するために、もうひとつ記事を書くことが役に立つ。そうでなければ、何かをやってはいるが、土台を忘れてしまっていることになる。 Aleksey Vyazmikin 2022.08.27 15:11 #27060 mytarmailS #: そんなことに価値があると思うか? もちろんあるさ。自分のやり方がどんな利益をもたらすかわかるだろう。もしかしたら、それはとても取るに足らないもので、実行する意味がないかもしれないし、その逆かもしれない。 1...269927002701270227032704270527062707270827092710271127122713...3399 新しいコメント 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
ここを読んでいると、みんながそれぞれの会話を理解しているのがわかる...。
私がまだコードでシステムを作っていないから、特徴の生成方法を比較することはできない。比較できるのは、私の予測変数のセットと、それらを選択するための私のシステム/方法論を使ったあなたのシステムです。
誰でもMQLサーバーの履歴区間からデータを得ることができます。しかし、最終的にトレーニングされるサンプルは、桁外れに小さいサンプル列となりますが、予測変数が追加されます。
私が提案するExpert Advisorは、オープンした予測子を保存し、csvファイルの最後には財務結果とターゲットの列があります。
私は、2010年から2020年までの時間間隔をトレーニングに、残りの時間をトレーニング以外の結果のテストに使うことを提案します。
予測子を作成したら、結果をcsvで保存することができます。さらに、カラムをマージして、異なる範囲、あるいは別々に研究することもできます。
マークアップを全くしたくないのであれば、純粋にマークアップしたものをお送りすることもできます。
私はまだコードでシステムを作っていないので、特徴生成の方法を比較することはできません。あなたのシステムと私の予測変数のセット、およびそれらの選択システム/方法を比較することはできます。
MQLサーバーのヒストリカル・インターバルからデータを取得することは誰にでもできる。しかし、トレーニングに使用される最終的なサンプルは、例題を含む桁違いの小さな文字列になりますが、予測変数が追加されます。
私が提案するExpert Advisorは、オープンした予測子を保存し、csvファイルの最後には、財務結果とターゲットの列があります。
2010年から2020年までがトレーニングで、それ以外の期間はトレーニング以外の結果のチェックに使うことをお勧めします。
予測変数を作成したら、結果をcsvで保存できます。カラムをマージして、異なる範囲について研究することも、別々に研究することもできます - 同期の正しさを比較するために必要です。
同期が正しいかどうかを比較するために必要です。マークアップを全くしたくないのであれば、純粋にマークアップを送ることもできます。
ロジックに戻りましょう
様々な属性があり、それらが有益であるかどうかは、ターゲットとの関係によって決まる。
関係性と適合性の違いは何だろうか?
各特徴に対するラベルの情報依存度が低ければ低いほど、学習にはより多くの特徴が必要になる。
特徴数を増やすと、システムが非常に多くの自由パラメータを持つようになるため、フィッティングが起こりやすくなる。
この場合、唯一正しいアプローチは何でしょうか?特徴数を最小化し、ターゲット特徴に対する比率を高める。
そのためには、何らかの情報結合基準に従って、特徴量だけでなく対象特徴量も爆撃する必要がある。
この方向で研究してくれる人がいれば、コードを書くのを手伝います。ロジックに戻ろう
多くの異なる属性があり、それらが有益である場合もあれば、そうでない場合もある。
関係性と適合性の違いは何か。
個々の特徴量に対するラベルの情報依存度が低ければ低いほど、学習にはより多くの特徴量が必要になる。
特徴数を増やすと、システムが非常に多くの自由パラメータを持つようになるため、フィッティングが起こりやすくなる。
この場合、唯一の正しいアプローチは何でしょうか?特徴数を最小化し、ターゲット特徴に対する比率を高める。
そのためには、何らかの情報結合基準に従って、特徴量だけでなく対象特徴量も爆撃する必要がある。
もしこの方向で研究してくれる人がいれば、コードを書くのを手伝います。もちろん、私もその論理には賛成です。だからこそ、私は先に、ランダムに予測因子を特定し、それをマークアップに使うことを提案したのです。
私にとっては、予測能力を持つこれらのポイントはイベントであり、一般的には、別々にトレーニングするか、シートをそれらから分離して、任意の累積トレーニング手順を実行することを考えます。
このようなイベントは、独立したトレーディング・システムとみなすことができ、これらのシステムの動作/効率を分析することができます。
今、私にとってネットの問題は、これらのイベントの独立した会計、すなわち、通信や他の喜びの損失と実際のデータ上で正しく動作する仮想サポートです。
特徴生成の方法は、まだコードでシステムを作っていないので比較できない。
だから、人間と機械による予測器生成法を比較するんだ :)
人間と機械による予測変数の生成方法を比較しよう :)
じゃあ、君はこの仕事で何をしているんだい?
はっきりさせておきたいんだが、私が生成した予想屋だ。
具体的には、私が生成した予測因子だ。
もちろん、その論理には同意する。だからこそ、私は先に、ランダムに予測因子を特定し、それをマークアップに使うことを提案したのだ。
私にとっては、予測能力を持つこれらのポイントは、一般的に別々にトレーニングする、あるいはシートと切り離して、あらゆる集計トレーニングの手順を実行すると考えるイベントです。
このようなイベントは、独立したトレーディング・システムとして考えることができ、これらのシステムの動作/効率を分析することができます。
さて、私にとってのネットの問題は、これらのイベントの独立した会計処理、すなわち、通信やその他の楽しみを失うことなく、実際のデータ上で正しく機能する仮想サポートである。
そんなことに価値があると思うか?
もちろんあるさ。自分のやり方がどんな利益をもたらすかわかるだろう。もしかしたら、それはとても取るに足らないもので、実行する意味がないかもしれないし、その逆かもしれない。