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 2729

[Aleksey Vyazmikin]

Aleksey Nikolayev #:

意味は基準にある／ないのではなく、基準の使い方にある。あなたの使い方は、何と何を比較するのか、何のために比較するのか、まったく明確でない。）

なるほど、あなたは賢いのだから、その方向で考える気はないのだろう。私は気にしない。

[mytarmailS]

Aleksey Vyazmikin #:

なるほど、もしあなたが賢いのなら、その方向で考えたくはないだろう。私は気にしない。

アレクセイ、本当に理解されたいなら、自分の考えをまとめることを学びなさい...

[Aleksey Vyazmikin]

mytarmailS #:

アレクセイ、理解されたければ、自分の考えをまとめることを学びなさい。

どこで私の思考回路が狂ったんだ？

私の考えは定式化されている。私は自分が話していることを理解している。理解できない人がいれば、尋ねてみればいい。たぶん、あなたは用語に固執することなく、もっと本質を理解することを学ぶ必要がある......。

[Aleksey Nikolayev]

Aleksey Vyazmikin #:

なるほど、もしあなたが賢いのなら、その方向で考えたくはないだろう。私は気にしない。

あなたは考えをまとめることができないか、それを共有したくないかのどちらかだ。どちらの場合も、これ以上話題を発展させる意味はないし、個人的なことは抜きにしておこう。

[Maxim Dmitrievsky]

Aleksey Vyazmikin #:

基準は意味をなさないと思いますか？大きさの異なる10個のサンプルを取って比較し、サンプルの類似性／類似性／均質性を示すいくつかの指標で最も良いスコアを得たものを選ぶ。

サンプルを採取し、混ぜ合わせる。

* 私たちは悲しくなる。誰もそれを禁じていないので、逐次モデルを学習しているわけではないので、サンプルの順序は問題ではない。重要なのは分類誤差だけであり、それは混合することによって常に減らすことができる。

何かを探すには、何を探しているのかを正確に理解する必要がある。そうでなければ、呆然とするまでサンプルを弄ぶことになる。まあ、何を探しているのか誰も知らないのだから、誰かわかったら教えてくれ。

[Maxim Dmitrievsky]

もうひとつコツがある。情報が少ない特徴であればあるほど、トレーニング・サンプルは小さくなるはずだ。

情報が多く、その数が少なければ少ないほど、サンプルは大きく取れる／取るべきである。しかし、ほとんどの人は逆のことを考える。

[Aleksey Vyazmikin]

Aleksey Nikolayev #:

あなたは考えをまとめることができないか、それを共有したくないかのどちらかだ。どちらの場合も、これ以上トピックを発展させる意味はないし、個人的なことは抜きにしておこう。

あなたの理論が正しければ、サンプルは増加するにつれて類似しなくなり、それを理解するためには類似性を評価する方法から派生した変化を評価する基準が必要である、と私は書きませんでしたか？

その上、私は、比較可能な傾向の特徴に従ってサンプル全体をセクションに分類し、これらのグループ内で順位をつけることについて話した。そして、そのような順位付けは、サンプルの「類似性」の基準によって行うことができる。

私は個人的な感情を持っているわけではありません-私は回答のスタイルを見て、ただ困惑しているのです-人々はここで何をしているのでしょうか-彼らは自分のユニークさを示したいのでしょうか？私は問題を解決する方法を見つけることに興味があり、他の人の知識を利用し、自分の知識を共有することに興味がある。

[Aleksey Vyazmikin]

Maxim Dmitrievsky #:
サンプルを取って混ぜて、さまざまな見積もりを取る... 悲しい

* お互いに混ぜ合わせる。誰もそれを禁じていないので、逐次モデルを訓練するわけではないので、サンプルの順序は問題ではない。重要なのは分類誤差だけであり、それは混合することで常に減らすことができる。

何かを探すには、何を探しているのかを正確に理解する必要がある。そうでなければ、呆然とするまでサンプルを弄ぶことになる。さて、何を探しているのか誰にも分からないので、もし誰か分かったら教えてほしい。

ミックスできるのは1つのサンプルの中だけで、2つのサンプルをミックスしたら、それは市場が変化していることを否定することになる。

[Aleksey Nikolayev]

Maxim Dmitrievsky #:
サンプルを取って混ぜて、さまざまな見積もりを取る... 悲しい

* お互いに混ぜ合わせる。誰もそれを禁じていないので、逐次モデルを訓練するわけではないので、サンプルの順序は問題ではない。重要なのは分類誤差だけであり、それは混合することで常に減らすことができる。

何かを探すには、何を探しているのかを正確に理解する必要がある。そうでなければ、呆然とするまでサンプルを弄ぶことになる。さて、何を探しているのか誰にも分からないので、もし誰か分かったら教えてほしい。

あなたとアレクセイの推論に共通するのは、特定のモデルの文脈で、トレーニングサンプルが変化したときの挙動を研究していることです。理想的には、トレーニングサンプルを選択するときに特定の モデルに依存しないようにしたいのですが、それが今のところジグザグの頂点を使うことに落ち着いた理由です。しかし、おそらくお二人の言うとおりで、TCのタイプから完全に独立することはほとんど不可能です。

[Aleksey Nikolayev]

Aleksey Vyazmikin #:

サンプル（訓練と応用）を比較する際の考え方は、もしあなたの理論が正しければ、サンプルが増加するにつれて類似しなくなることであり、これを実現するためには、類似性を評価する方法から派生した、その変化を評価する基準が必要である、と書きませんでしたか？

ここであなたは多変量サンプル（各要素は表の行、ベクトル）について話しているようですが、あなたの3つのリンクにある均質性基準は数値サンプルについてです。matstatの多変量均質性基準は別の曲で、私にはよくわかりません。

Aleksey Vyazmikin#:

その上、私はサンプル 全体を比較可能な傾向の特徴に従ってセクションに分割 し、これらのグループ内でランキングすることについて話していました。そして、このようなランキングは、サンプルの「類似性」の基準に従って行うことができる。

これは、多くの変化点の検出を検索する作業に似ている。この場合も、多次元（ベクトル）のケースを扱わなければならないことがわかり、問題はかなり複雑になる。

さて、そして一般的に、どの属性が研究に選ばれるかに依存するのは好きではない。もし、異なる属性を選択すれば、結果は異なるかもしれない。