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 2751 1...274427452746274727482749275027512752275327542755275627572758...3399 新しいコメント СанСаныч Фоменко 2022.09.17 10:36 #27501 Aleksey Nikolayev #:あなたのアルゴリズムとKNN（またはその改良版）の比較はしましたか？どの程度の利得があるのか興味深い。 KNNは全く同じものではありません。 私が興味があるのは "予測能力 "であって、分類ではないし、教師なしでも、我々のビジネスでは役に立たない。 JeeyCi 2022.09.17 13:41 #27502 Vladimir Perervenko #:これは本当に大きな前進だ。指標や専門家は書き直す必要があるのでしょうか？ この トピック（Pythonの説明）を一度閲覧していたのですが、断念してしまいました...。画像やテキストを扱うときだけ、この抽出を使っているような印象を受けました-- 構造化されたデータ（因子表のようなもの）を扱うときに、わざわざこのアプローチを使う必要があるのでしょうか？ その有用性を理解するために、アルゴリズムの本質について少し書いていただけませんか？それとも何か見逃したのでしょうか？(Pythonで見たものでは、市場の要素にfeature_extractionを 適用する気にはなれませんでした）。 嗜好について：それとも、まだ通常の（または、あなたが説明したように階層的な）PCAにとどまることにしましたか？ 今、どのような次元削減を使っていますか？ そして記事に感謝します。 Глубокие нейросети (Часть III). Выбор примеров и уменьшение размерности www.mql5.com Эта статья продолжает серию публикаций о глубоких нейросетях. Рассматривается выбор примеров (удаление шумовых), уменьшение размерности входных данных и разделение набора на train/val/test в процессе подготовки данных для обучения. Maxim Kuznetsov 2022.09.17 14:13 #27503 情報量が増えてもNNが全く機能しないということには大きな疑問がある。先ほど、何かが壁の間を走り、赤に触れることなく緑を食べているという言及があった。迷路が増えるにつれて（情報が増えるにつれて）、赤／緑の記憶は吹き飛んでしまう。だから、古いフォーメーションではうまく動くが、新しいフォーメーションでは動かない。パターンが繰り返される限り、彼は多かれ少なかれ機能する。そして、訓練された場所でのみ完璧に機能する。 同じ条件の同じNNに対する反論は、学生がより効率的なアルゴリズムを書くことができるということだ。そしてこのアルゴリズムは、別の生徒が改良したり、他の曲率空間の条件に持っていったりすることができる（あるいは最適化/単純化することができる）。この単純化された例でNNを使用することは行き止まりであり、その結果を意識的かつ質的に改善することはできない。そして、これは一般的にNN（とDLも）の一般的な問題である。これらの方法は、白黒長方形で、紫色を背景にした赤っぽいもの、緑っぽいもの、丸いもの、四角いものの集合から、赤／緑、丸／四角を認識するのに使うことができる。狭い特殊な問題の解法であり、無限大への等分の出力ではない Aleksey Nikolayev 2022.09.17 15:32 #27504 СанСаныч Фоменко #:KNNはまったく違う。私が興味があるのは "予測能力 "であって、分類ではない。 とはいえ、KNNはスライディング・ウィンドウで使えば、非定常性に対処する最も簡単な方法を提供する。KNNは常に同じ予測変数の集合を使用するので、予測変数の集合を変更するアルゴリズムと比較し、この複雑さの利点を評価することができる。 СанСаныч Фоменко 2022.09.17 16:03 #27505 Alexey Burnakov 「予測変数の 推定と選択」アルゴリズムが失敗した理由を説明する。 同様の問題をロバストかつ敏感に解決する私の方法を掲載します - 理論を説明し、Rのコードを掲載します。これは、機械学習タスクの「理解」を相互に深めるために行うものである。 私が投稿したものだけでは不十分ですか？ СанСаныч Фоменко 2022.09.17 16:05 #27506 Aleksey Nikolayev #:しかし，KNNは，スライディング・ウィンドウで使用されるとき，非定常性に対処する最も簡単な方法を提供する．それは，予測変数の同じ集合を常に使用し，予測変数の集合を変更するアルゴリズムと比較し，この複雑さの利点を評価することを可能にする． 私は、望ましい結果が得られないようなことをする意味がわからない。 Maxim Kuznetsov 2022.09.17 18:33 #27507 NNとAIのトレーディングへの応用について質問したのは誰ですか？ (moderated) platform (moderated) ( moderated) (moderated) (moderated) (moderated) (moderated) understands the description of trading conditions/rules/parts-algorithms in natural language.もちろん英語で 私の考えでは、AIの努力の動きと応用の正しい方向はここにある。Wolframのドメインのように、しかしWolframはほとんど百科事典である。 --- 今、同じ分野で長い間コミュニケーションをとっている人たちは、お互いを理解することができません。自動翻訳機か、エンティティの命名に関する相互に署名し拘束力のある協定がなければ:-) JeeyCi 2022.09.18 06:53 #27508 Aleksey Nikolayev #:あなたのアルゴリズムとKNN（またはその改良版）の比較はしましたか？どの程度の利得があるのか興味深い。サンサニッチ・フォメンコ#: 原理的に望ましい結果が得られないことをする意味がわかりません。Aleksey Nikolayev#: とはいえ、KNNをスライディングウィンドウで使えば、非定常性を扱う最も簡単な方法が得られます。これは常に同じ予測変数の集合を使用するので、予測変数の集合を変更するアルゴリズムと比較し、この複雑さの利点を評価することが可能になります。 KNNが本質的にK-means（k-nearest-neighborsの 外国名？）であるならば，それ（K-means）はユークリッド距離を使用する... "変数が相関していない場合，マハラノビス距離は通常のユークリッド 距離と一致する"... LDAでは ．相関がある場合は、マハラノビスのほうがよい。 Valeriy Yastremskiy 2022.09.18 07:25 #27509 СанСаныч Фоменко #:それには同意できない。 市場は変化しているし、変化の時間間隔はそれぞれ異なり、独立している。 以前は3ヶ月から6ヶ月のExpert Advisorを書くことができた。週末に最適化していた。その後、彼らは死亡し、短期間 、預金を使い果たすほど だった。最適化する時間が足りない。結局、状況はさらに悪化した。しばらくして、パラメーターを選択することが不可能な境界線があることが判明した。 市場が変化する期間は5～7年と長い。しかし、結果は月次の場合と同じである。ボットは永遠に死ぬのだ。具体的なボットをプライベート・メッセージでお送りします。 だから、"サンプル切れ "という考え方はくだらない。ボットにはまだ寿命がある：3ヶ月か7年か。ボットが死ぬと、私たちはそれを別のドローダウンと混同し、デポを使い果たす。 理想的なのは、次のローソク足で再教育することだ。ティックで動作する場合は、次のティックで、H1で動作する場合は、次の時間の到着時に。 ありがとうございます、それは非常に明確である、なぜすべてのバー)))))そして、なぜ分後にティックに行く)))))) Aleksey Nikolayev 2022.09.18 08:30 #27510 JeeyCi #: KNNが本質的にK-means（k-nearest-neighborsの 外国語名？）であるならば、それ（K-means）はユークリッド距離を使う ... "変数に相関がない場合、マハラノビス距離は通常のユークリッド 距離と一致する" ... LDAでは ．相関がある場合はマハラノビス距離のほうがよい。 ユークリッド距離の代わりに他の距離を使うことを妨げるものは何もない。もちろんマハラノビスは使えない。マハラノビスは点とサンプルの間の距離であって、2点間の距離ではないからだ。 1...274427452746274727482749275027512752275327542755275627572758...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
あなたのアルゴリズムとKNN（またはその改良版）の比較はしましたか？どの程度の利得があるのか興味深い。
KNNは全く同じものではありません。
私が興味があるのは "予測能力 "であって、分類ではないし、教師なしでも、我々のビジネスでは役に立たない。
これは本当に大きな前進だ。指標や専門家は書き直す必要があるのでしょうか？
この トピック（Pythonの説明）を一度閲覧していたのですが、断念してしまいました...。画像やテキストを扱うときだけ、この抽出を使っているような印象を受けました-- 構造化されたデータ（因子表のようなもの）を扱うときに、わざわざこのアプローチを使う必要があるのでしょうか？ その有用性を理解するために、アルゴリズムの本質について少し書いていただけませんか？それとも何か見逃したのでしょうか？(Pythonで見たものでは、市場の要素にfeature_extractionを 適用する気にはなれませんでした）。
嗜好について：それとも、まだ通常の（または、あなたが説明したように階層的な）PCAにとどまることにしましたか？
今、どのような次元削減を使っていますか？
そして記事に感謝します。
情報量が増えてもNNが全く機能しないということには大きな疑問がある。先ほど、何かが壁の間を走り、赤に触れることなく緑を食べているという言及があった。迷路が増えるにつれて（情報が増えるにつれて）、赤／緑の記憶は吹き飛んでしまう。だから、古いフォーメーションではうまく動くが、新しいフォーメーションでは動かない。パターンが繰り返される限り、彼は多かれ少なかれ機能する。そして、訓練された場所でのみ完璧に機能する。
同じ条件の同じNNに対する反論は、学生がより効率的なアルゴリズムを書くことができるということだ。そしてこのアルゴリズムは、別の生徒が改良したり、他の曲率空間の条件に持っていったりすることができる（あるいは最適化/単純化することができる）。この単純化された例でNNを使用することは行き止まりであり、その結果を意識的かつ質的に改善することはできない。そして、これは一般的にNN（とDLも）の一般的な問題である。これらの方法は、白黒長方形で、紫色を背景にした赤っぽいもの、緑っぽいもの、丸いもの、四角いものの集合から、赤／緑、丸／四角を認識するのに使うことができる。狭い特殊な問題の解法であり、無限大への等分の出力ではない
KNNはまったく違う。
私が興味があるのは "予測能力 "であって、分類ではない。
とはいえ、KNNはスライディング・ウィンドウで使えば、非定常性に対処する最も簡単な方法を提供する。KNNは常に同じ予測変数の集合を使用するので、予測変数の集合を変更するアルゴリズムと比較し、この複雑さの利点を評価することができる。
同様の問題をロバストかつ敏感に解決する私の方法を掲載します - 理論を説明し、Rのコードを掲載します。
これは、機械学習タスクの「理解」を相互に深めるために行うものである。
私が投稿したものだけでは不十分ですか？
しかし，KNNは，スライディング・ウィンドウで使用されるとき，非定常性に対処する最も簡単な方法を提供する．それは，予測変数の同じ集合を常に使用し，予測変数の集合を変更するアルゴリズムと比較し，この複雑さの利点を評価することを可能にする．
私は、望ましい結果が得られないようなことをする意味がわからない。
NNとAIのトレーディングへの応用について質問したのは誰ですか？
(moderated) platform (moderated) ( moderated) (moderated) (moderated) (moderated) (moderated) understands the description of trading conditions/rules/parts-algorithms in natural language.もちろん英語で
私の考えでは、AIの努力の動きと応用の正しい方向はここにある。Wolframのドメインのように、しかしWolframはほとんど百科事典である。
---
今、同じ分野で長い間コミュニケーションをとっている人たちは、お互いを理解することができません。自動翻訳機か、エンティティの命名に関する相互に署名し拘束力のある協定がなければ:-)
あなたのアルゴリズムとKNN（またはその改良版）の比較はしましたか？どの程度の利得があるのか興味深い。
原理的に望ましい結果が得られないことをする意味がわかりません。
とはいえ、KNNをスライディングウィンドウで使えば、非定常性を扱う最も簡単な方法が得られます。これは常に同じ予測変数の集合を使用するので、予測変数の集合を変更するアルゴリズムと比較し、この複雑さの利点を評価することが可能になります。
それには同意できない。
市場は変化しているし、変化の時間間隔はそれぞれ異なり、独立している。
以前は3ヶ月から6ヶ月のExpert Advisorを書くことができた。週末に最適化していた。その後、彼らは死亡し、短期間 、預金を使い果たすほど だった。最適化する時間が足りない。結局、状況はさらに悪化した。しばらくして、パラメーターを選択することが不可能な境界線があることが判明した。
市場が変化する期間は5～7年と長い。しかし、結果は月次の場合と同じである。ボットは永遠に死ぬのだ。具体的なボットをプライベート・メッセージでお送りします。
だから、"サンプル切れ "という考え方はくだらない。ボットにはまだ寿命がある：3ヶ月か7年か。ボットが死ぬと、私たちはそれを別のドローダウンと混同し、デポを使い果たす。
理想的なのは、次のローソク足で再教育することだ。ティックで動作する場合は、次のティックで、H1で動作する場合は、次の時間の到着時に。
ありがとうございます、それは非常に明確である、なぜすべてのバー)))))そして、なぜ分後にティックに行く))))))
KNNが本質的にK-means（k-nearest-neighborsの 外国語名？）であるならば、それ（K-means）はユークリッド距離を使う ... "変数に相関がない場合、マハラノビス距離は通常のユークリッド 距離と一致する" ... LDAでは ．相関がある場合はマハラノビス距離のほうがよい。ユークリッド距離の代わりに他の距離を使うことを妨げるものは何もない。もちろんマハラノビスは使えない。マハラノビスは点とサンプルの間の距離であって、2点間の距離ではないからだ。