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 2757 1...275027512752275327542755275627572758275927602761276227632764...3399 新しいコメント mytarmailS 2022.09.23 17:38 #27561 Aleksey Nikolayev #:オーバーロードの最初のアイデアは、同じ名前で引数が異なる別の関数を書くことだ。Rcppでこれをやったことがないので、うまくいくかどうかわからない。おそらくCのコードを別のファイルにして、cppFunction()の代わりにsourceCpp()を使うことになるだろう。 ありがとう。 JeeyCi 2022.09.25 06:41 #27562 Maxim Dmitrievsky #: 正しい。アプリオリな仮定が ないため、2番目のタイプが使用される。 アレクシー・ニコライエフ#: 私の考えでは、コネクションには2つのタイプがあります。一つ目は因果的なもので、計算によってではなく、与えられた対象分野の知識から研究対象に関するアプリオリな情報によって決定される。二つ目のタイプは確率的な依存関係であり、対象物の振る舞いを観察することによって得られたデータから事後的に計算することができる。つ目のタイプには、相関関係、決定論的依存関係(極端なケースとして)などがあり、コピュラやその他の手法によって記述されるものも含まれる。このタイプを研究する基本は、予測因子と対象について共同分布があるという仮定です。 実験が 不足しているため,2番目のタイプが使用される(e.g.米国食品医薬品協会(US Food & Drugs Association)は、その結論のために正規の代表サンプルをテストしないので、ベイズ・アプローチに頼っている)...そして、アプリオリな情報がなければ、モデル化するものはまったくない。 Maxim Dmitrievsky 2022.09.25 11:09 #27563 JeeyCi #:実験が 不足しているため、2番目のタイプが使用される(例:米国食品医薬品協会-結論のために通常の代表サンプルをテストしないので、ベイズ的アプローチに頼る)。米国食品医薬品協会-その結論のために通常の代表サンプルをテストしないので、ベイズ的アプローチに頼っている)...そして、アプリオリな情報がなければ、モデル化するものは全くない。 リブそのものを見ましたか?何か遊べるものはありますか?終わったら見てみるよ。このようなリブはたくさんあるので、需要があるんだ。 Evgeni Gavrilovi 2022.09.25 16:33 #27564 ヌメライのコンペに参加した人はいる?そこでお金を稼ぐためには何をしなければならないのですか? 自分のお金を投資しなければならないのですか?彼らのペイアウトモデルが理解できない。 mytarmailS 2022.09.25 18:46 #27565 Evgeni Gavrilovi #:ヌメライのコンペに参加した人はいる?そこでお金を稼ぐためには何をすればいいのでしょうか? 自分のお金を投資しなければならないのですか?彼らの支払いモデルがどうなっているのか理解できない。 多分、これが役に立つでしょう。https://www.quora.com/How-does-the-hedge-fund-Numerai-work JeeyCi 2022.09.26 08:59 #27566 私は図書館を見ていない、記事はうんざりだ - 統計の常識に反する.... 標準的な英語では時系列分析の意味が、処置・ 介入の瞬間の政策の変化と、集計トレンドの傾きの変化の分析に還元されている(これは、処置の瞬間に政策の影響を経験し、意思決定プロセスを修正する行為者と解釈できる)。д.)... しかし、モデリングにおいていつもと同じ問題がある。治療後の評価をするためには、もちろん、(介入に関して)「助けられた-助けられなかった-無関心」という結論を近似するためのサンプル(!)が必要である。 そして、反実仮想の観点からは、政策変更(または何らかの介入)によって引き起こされる変化のダイナミクスを評価するために、適切な質問をすることが重要である。 MLの実データにおける不均衡問題(推定値にバイアスがかかる)に困惑している。-- そのような方法で実データを歪める意味がわかりません。 しかし、前処理(アプリオリな確率分布)の段階で代表サンプルを得る必要があり、後処理(政策変更など)で事後分布を得る...。つまり、サンプルを増やして結果を精緻化するのか、それともサンプルを増やした場合よりも統計的に有意ではないであろう結論を導き出すために、選択したサンプルの限界でやり過ごすのか...です。しかし,標本を増やせば平均や分散の統計的有意性が増すかどうかは定かではない. = これはサイズの問題である.通常、介入効果が大きければ、小さな標本でも効果が見られるのですが・・・。 要因(FS)の問題も残る - 考慮する要因の数を増やすことで,推定値のバイアスを減らすが,分散を増やす.課題: 有意な因子を見つけ(探索的データ解析の 常で、それがData_Scienceと 呼ばれる理由です。 ウラジミールは、要因の選択の問題についてすでに多くのことを述べて いる - もし我々が高確率の取引を選択するための確率をモデル化しているのであれば。 追伸 スピードと加速度(もしあれば)は、時系列分析において常に重要であり、処理前と処理後の期間におけるそれらの比較は、(方向転換を含む)結論を与える... ダイバージェンス/コンバージェンスと、正しく選択されたターゲットの極値もまた有効である。すべてはいつも通り、ニューラルネットワークの設計/アーキテクチャに関わることなのだ...予測されるのはトレンドとその発生確率だけで、それ以上のものはない。そして、デイトレーダーの市場では、(D1で分析した場合)長期トレンドよりも速くすべてが変化する。一般的に、自分のトレードスタイルを正式にすることで、モニターの前にずっと座っている必要がなくなります。 そして、もし好きなら、エントリーやエグジット、または市場から離脱する(市場が明確でないときは、リスク管理のためでも)統計的な理由を探してください。 追伸 外生的要因(外部からの影響)と内生的要因(例えば、商品や金融通貨、さらには与党の交代など)の考慮も含めて、構造的因果モデル(先に述べたように、何が何に依存するか)を研究するという点で、このテーマは無限に発展させることができる......。一般的には、いつものように、どのような仮説についてもデータを調べ、関心のある特定の有意水準(その[有意水準]が改善する可能性があるためにサンプルサイズを増やす)について帰無仮説の可否を調べることができます。 p.p.p.s 確率的分布という言葉を好まない人もいるが、その本質は変わらない - たとえ条件付きであっても、分布は依然として確率的である(条件は分類の理由を与える).そして、(A/Bテストにおける)Before_treatmentとAfter-treatmentは、条件(方針)の変化とみなすことができますが、傾きが同じであっても、回帰を推定したり、分散(変化したかどうか)を比較することは可能です。 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 Dmitrievsky 2022.09.26 11:23 #27567 トレードとは程遠い印象を受ける。 JeeyCi 2022.09.27 07:52 #27568 だから私は、まずアルゴリズム(不均衡を含む-あなたがそれを使って何をしたかったのか分かりませんが)を決めるべきだと言ってるんです...そして次に、必要なエンティティ/クラスでコードをチャージできるライブラリを探すべきです...。- そして、必要なエンティティやクラスをコードに追加できるライブラリを探す...あるいは、必要なクラスを含む独自のライブラリをコーディングする...。あるいは、必要なクラスを含む独自のライブラリを作成する。 Maxim Dmitrievsky 2022.09.27 08:33 #27569 JeeyCi #: だから私は、まずアルゴリズム(不均衡を含む-あなたがそれを使って何をしたかったのか分かりませんが)を決めるべきだと言ってるんです...そして次に、必要なエンティティ/クラスでコードをチャージできるライブラリを探すべきです...。- そして、必要なエンティティやクラスをコードに追加できるライブラリを探す...あるいは、必要なクラスを含む独自のライブラリをコーディングする...。あるいは、必要なクラスを含む独自のライブラリを作成する。 リサンプリングは外れ値を除去し、サンプルをガウス化するために行われる。私は一般的にエントロピーや相関による意味のあるサンプリングを提案していた。チップをより有益なものにするためだ。さらに、インクリメントを取り、あらゆる種類の変換によって元の系列から最大限の情報を追加する。さらに非固定的な吃音窓を設ける。これはフロッグのアプローチで、誰もやったことがない。でも、コロナウイルスに感染して休んでいるんだ。☺️カジュアルなインフェルノは、選択肢として有益なフィッシュを選択するのに役立つはずだったが、それはそこについてではないことが判明した СанСаныч Фоменко 2022.09.27 08:33 #27570 JeeyCi #: だから私は、まずアルゴリズム(不均衡を含む-あなたがそれを使って何をしたかったのか分かりませんが)を決めるべきだと言ってるんです...そして次に、必要なエンティティ/クラスでコードをチャージできるライブラリを探すべきです...。- そして、必要なエンティティやクラスをコードに追加できるライブラリを探す...あるいは、必要なクラスを含む独自のライブラリをコーディングする...。あるいは、必要なクラスを使って独自のライブラリをコーディング する。 必要なものはすべて、あなたの前にコード化されている。 Rのキャレットシェルには、あなたの専門用語(ライブラリ)で最大200(!)のモデルが含まれており、データマイニングとモデル選択に必要なパイプラインもすべて含まれています。 問題は予測変数の選択とその選択で、モデルには長い間問題はない。 1...275027512752275327542755275627572758275927602761276227632764...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
オーバーロードの最初のアイデアは、同じ名前で引数が異なる別の関数を書くことだ。Rcppでこれをやったことがないので、うまくいくかどうかわからない。おそらくCのコードを別のファイルにして、cppFunction()の代わりにsourceCpp()を使うことになるだろう。
ありがとう。
正しい。アプリオリな仮定が ないため、2番目のタイプが使用される。
私の考えでは、コネクションには2つのタイプがあります。
一つ目は因果的なもので、計算によってではなく、与えられた対象分野の知識から研究対象に関するアプリオリな情報によって決定される。
二つ目のタイプは確率的な依存関係であり、対象物の振る舞いを観察することによって得られたデータから事後的に計算することができる。つ目のタイプには、相関関係、決定論的依存関係(極端なケースとして)などがあり、コピュラやその他の手法によって記述されるものも含まれる。このタイプを研究する基本は、予測因子と対象について共同分布があるという仮定です。
実験が 不足しているため,2番目のタイプが使用される(e.g.米国食品医薬品協会(US Food & Drugs Association)は、その結論のために正規の代表サンプルをテストしないので、ベイズ・アプローチに頼っている)...そして、アプリオリな情報がなければ、モデル化するものはまったくない。
実験が 不足しているため、2番目のタイプが使用される(例:米国食品医薬品協会-結論のために通常の代表サンプルをテストしないので、ベイズ的アプローチに頼る)。米国食品医薬品協会-その結論のために通常の代表サンプルをテストしないので、ベイズ的アプローチに頼っている)...そして、アプリオリな情報がなければ、モデル化するものは全くない。
ヌメライのコンペに参加した人はいる?そこでお金を稼ぐためには何をしなければならないのですか?
自分のお金を投資しなければならないのですか?彼らのペイアウトモデルが理解できない。
ヌメライのコンペに参加した人はいる?そこでお金を稼ぐためには何をすればいいのでしょうか?
自分のお金を投資しなければならないのですか?彼らの支払いモデルがどうなっているのか理解できない。
私は図書館を見ていない、記事はうんざりだ - 統計の常識に反する....
標準的な英語では時系列分析の意味が、処置・ 介入の瞬間の政策の変化と、集計トレンドの傾きの変化の分析に還元されている(これは、処置の瞬間に政策の影響を経験し、意思決定プロセスを修正する行為者と解釈できる)。д.)...
しかし、モデリングにおいていつもと同じ問題がある。治療後の評価をするためには、もちろん、(介入に関して)「助けられた-助けられなかった-無関心」という結論を近似するためのサンプル(!)が必要である。
そして、反実仮想の観点からは、政策変更(または何らかの介入)によって引き起こされる変化のダイナミクスを評価するために、適切な質問をすることが重要である。
MLの実データにおける不均衡問題(推定値にバイアスがかかる)に困惑している。-- そのような方法で実データを歪める意味がわかりません。
しかし、前処理(アプリオリな確率分布)の段階で代表サンプルを得る必要があり、後処理(政策変更など)で事後分布を得る...。つまり、サンプルを増やして結果を精緻化するのか、それともサンプルを増やした場合よりも統計的に有意ではないであろう結論を導き出すために、選択したサンプルの限界でやり過ごすのか...です。しかし,標本を増やせば平均や分散の統計的有意性が増すかどうかは定かではない.
= これはサイズの問題である.通常、介入効果が大きければ、小さな標本でも効果が見られるのですが・・・。
要因(FS)の問題も残る - 考慮する要因の数を増やすことで,推定値のバイアスを減らすが,分散を増やす.課題: 有意な因子を見つけ(探索的データ解析の 常で、それがData_Scienceと 呼ばれる理由です。
ウラジミールは、要因の選択の問題についてすでに多くのことを述べて いる - もし我々が高確率の取引を選択するための確率をモデル化しているのであれば。
追伸
スピードと加速度(もしあれば)は、時系列分析において常に重要であり、処理前と処理後の期間におけるそれらの比較は、(方向転換を含む)結論を与える...
ダイバージェンス/コンバージェンスと、正しく選択されたターゲットの極値もまた有効である。すべてはいつも通り、ニューラルネットワークの設計/アーキテクチャに関わることなのだ...予測されるのはトレンドとその発生確率だけで、それ以上のものはない。そして、デイトレーダーの市場では、(D1で分析した場合)長期トレンドよりも速くすべてが変化する。一般的に、自分のトレードスタイルを正式にすることで、モニターの前にずっと座っている必要がなくなります。 そして、もし好きなら、エントリーやエグジット、または市場から離脱する(市場が明確でないときは、リスク管理のためでも)統計的な理由を探してください。
追伸
外生的要因(外部からの影響)と内生的要因(例えば、商品や金融通貨、さらには与党の交代など)の考慮も含めて、構造的因果モデル(先に述べたように、何が何に依存するか)を研究するという点で、このテーマは無限に発展させることができる......。一般的には、いつものように、どのような仮説についてもデータを調べ、関心のある特定の有意水準(その[有意水準]が改善する可能性があるためにサンプルサイズを増やす)について帰無仮説の可否を調べることができます。
p.p.p.s
確率的分布という言葉を好まない人もいるが、その本質は変わらない - たとえ条件付きであっても、分布は依然として確率的である(条件は分類の理由を与える).そして、(A/Bテストにおける)Before_treatmentとAfter-treatmentは、条件(方針)の変化とみなすことができますが、傾きが同じであっても、回帰を推定したり、分散(変化したかどうか)を比較することは可能です。
だから私は、まずアルゴリズム(不均衡を含む-あなたがそれを使って何をしたかったのか分かりませんが)を決めるべきだと言ってるんです...そして次に、必要なエンティティ/クラスでコードをチャージできるライブラリを探すべきです...。- そして、必要なエンティティやクラスをコードに追加できるライブラリを探す...あるいは、必要なクラスを含む独自のライブラリをコーディングする...。あるいは、必要なクラスを含む独自のライブラリを作成する。
だから私は、まずアルゴリズム(不均衡を含む-あなたがそれを使って何をしたかったのか分かりませんが)を決めるべきだと言ってるんです...そして次に、必要なエンティティ/クラスでコードをチャージできるライブラリを探すべきです...。- そして、必要なエンティティやクラスをコードに追加できるライブラリを探す...あるいは、必要なクラスを含む独自のライブラリをコーディングする...。あるいは、必要なクラスを使って独自のライブラリをコーディング する。
必要なものはすべて、あなたの前にコード化されている。
Rのキャレットシェルには、あなたの専門用語(ライブラリ)で最大200(!)のモデルが含まれており、データマイニングとモデル選択に必要なパイプラインもすべて含まれています。
問題は予測変数の選択とその選択で、モデルには長い間問題はない。