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 2780 1...277327742775277627772778277927802781278227832784278527862787...3399 新しいコメント Uladzimir Izerski 2022.10.06 18:13 #27791 СанСаныч Фоменко #:ここには簡単な道はない。システムには決定論的、確率論的、不確実性があり、ある時点では確率論的、決定論的、あるいはその混合として振る舞う。金融市場が不確実性に分類されるのは、確率的な振る舞いをするのは予測不可能な人間だからである。例えば、完全にランダムな 人々の地下での流れは、マス・サービス理論によって完全に記述され、すべてを計算することができる。しかし、風船に穴を開けて「爆弾だ」と叫べば、カオスが起こり、何も計算できない。市場においては、これは新しいことであり、アプローチも科学もなく、パニックは行政的に鎮圧される。金融市場の確率的な部分も、定常的なものと非定常的なものに分けられる。定常は完全に計算可能であり、原理的に科学性はない。定常市場のモデルが機能する金融市場もある。私はアメリカの財務省のARIMAモデルを見たことがある。しかし、一般的に金融市場は非定常であり、既成のものがあるが、すぐに何をすべきかがわからないことが判明する。しかし、私たちが知っているのは、絶対的に必死の数学であり、それは2種類に分けられる： 統計的モデリング - 非定常性の微妙な点をすべて捉えようとするGARCHモデル； 自動的にパターンを探すMOE。ランダムフォレスト（RF）では、このようなパターン（ツリー）は150以上存在しない。 簡単な方法はなく、しかも、近づくことさえできない何か（ニュース）に必ず引っかかる。ニュースにはならないが、すべての問題を解決すること、つまり上記の各アプローチで安定した収益性の高いTSを構築することは不可能である。TAで成功したら、それ以外はすべて捨ててしまえ。MOは、GARCHと同様に、数年間です。 体系的な情報の提示に感謝する。 そうですね、私自身も波の体系化に多くの時間を費やしてきました。多くの人はこのトピックを理解していませんが、着実に機能しています。その後、OHLCに移りました。そこでも興味深い体系的な情報をたくさん見つけた。MOは、さらなる認識と市場の規則性、より正確には世界経済の結果をチャートの形で明らかにするという点で興味深い。興味深いことがたくさんありすぎて、語り尽くせない。誰も気づかないのだろうか？真剣に議論する相手がいないのだ。） СанСаныч Фоменко 2022.10.06 18:24 #27792 Uladzimir Izerski #:体系的な情報の提示に感謝する。そうですね、私自身も波の体系化に多くの時間を費やしてきました。多くの人がこのトピックを理解していませんが、着実に機能しています。その後、OHLCに移りました。そこでも興味深い体系的な情報をたくさん見つけた。MOは、さらなる認識と市場の規則性、より正確には世界経済の結果をチャートの形で明らかにするという点で興味深い。興味深いことがたくさんありすぎて、語り尽くせない。 誰も気づかないのだろうか？ 真剣に議論する相手がいないのだ。） 見ることと、コードを書くこと・合わせることは別のことだ。 Rorschach 2022.10.06 18:44 #27793 古典的なシステムでは柔軟性の不足が問題だが、MOでは過剰な柔軟性が問題となる。データの選択と再トレーニングの両方が必要である。サンプルサイズとトレーニングの頻度さえも同じである。MOだけが何倍ものパワーと "ブラックボックス "を必要とする。2010年のオニキスでは、すべてをグリッドに押し込んだが、それ以来、容量は桁違いに大きくなった。 Evgeni Gavrilovi 2022.10.06 18:58 #27794 СанСаныч Фоменко #:100回目、情報的なつながりの度合いによって 相互情報は適しているのか？ https://scikit-learn.org/stable/modules/generated/sklearn.feature_selection.mutual_info_classif.html Uladzimir Izerski 2022.10.06 19:18 #27795 Rorschach #: 古典的なシステムでは柔軟性の不足が問題だが、MOでは過剰な柔軟性が問題となる。データの選択と再トレーニングの両方が必要である。サンプルサイズとトレーニングの頻度さえも同じである。MOだけが何倍ものパワーと "ブラックボックス "を必要とする。2010年当時、オニキスではすべてをグリッドに突っ込んでいたが、それ以来、容量は桁違いに大きくなった。 しかし、まだそこにあるのだ。すべてが表層にあり、チャート上にあるのに、なぜ誰もが深く掘り下げるのだろうか？ もちろん、例えば価格の反転など、正確な場所の完全な 不変 性はない。これからもないだろう。しかし、そのために価格行動の予測可能性が失われることはない。精度が落ちることはあっても、予測可能性が落ちることはない。市場には相互に関連するモデルがあり、そこから逃れることはできない． Rorschach 2022.10.06 19:25 #27796 Uladzimir Izerski #:すべてが表層、チャート上にあるのに、なぜ誰もが深く掘り下げるのか？もちろん、価格が反転する正確な場所が完璧に 一定で あることはない。今後もあり得ないだろう。しかし、そのために価格行動の予測可能性が失われることはない。精度が落ちることはあっても、予測可能性が落ちることはない。市場には相互に関連したモデルがあり、そこから逃れることはできないのだ． 私は一般的に手動取引を支持している．スリッパを投げ始めることができる。 Uladzimir Izerski 2022.10.06 19:31 #27797 Rorschach #:私は基本的に手動取引に賛成なのだが......。スリッパを投げてください もういい。もういい。終わったよ。 スリッパを取ってくるよ（笑)。 Maxim Dmitrievsky 2022.10.06 20:17 #27798 Evgeni Gavrilovi #:相互情報はそれに適しているか？https://scikit-learn.org/stable/modules/generated/sklearn.feature_selection.mutual_info_classif.htmlそう、別名21世紀の相関関係。 またはhttp://www.exploredata.net/ Evgeni Gavrilovi 2022.10.06 23:20 #27799 Maxim Dmitrievsky #:21世紀の相関図あるいは http://www.exploredata.net/。 このオプションとscikit-learnの オプションのどちらが良いですか？ https://minepy.readthedocs.io/en/latest/python.html Maxim Dmitrievsky 2022.10.06 23:29 #27800 Evgeni Gavrilovi #:これとscikit-learnの どっちがいい？https://minepy.readthedocs.io/en/latest/python.html どちらも良いが、minepyの方がより進んでいる。 相互情報によって無意味な特徴量の束から選択するというアプローチはあまり支持しない。むしろTC規範の迅速な評価のためだ。 私はそれをオプティマイザーに組み込んで、遺伝学を通じてレースをする人たちのための複合的な最適化基準の一部として使ってみたいと思っている。 1...277327742775277627772778277927802781278227832784278527862787...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
ここには簡単な道はない。
システムには決定論的、確率論的、不確実性があり、ある時点では確率論的、決定論的、あるいはその混合として振る舞う。
金融市場が不確実性に分類されるのは、確率的な振る舞いをするのは予測不可能な人間だからである。例えば、完全にランダムな 人々の地下での流れは、マス・サービス理論によって完全に記述され、すべてを計算することができる。しかし、風船に穴を開けて「爆弾だ」と叫べば、カオスが起こり、何も計算できない。市場においては、これは新しいことであり、アプローチも科学もなく、パニックは行政的に鎮圧される。
金融市場の確率的な部分も、定常的なものと非定常的なものに分けられる。定常は完全に計算可能であり、原理的に科学性はない。定常市場のモデルが機能する金融市場もある。私はアメリカの財務省のARIMAモデルを見たことがある。
しかし、一般的に金融市場は非定常であり、既成のものがあるが、すぐに何をすべきかがわからないことが判明する。しかし、私たちが知っているのは、絶対的に必死の数学であり、それは2種類に分けられる：
簡単な方法はなく、しかも、近づくことさえできない何か（ニュース）に必ず引っかかる。ニュースにはならないが、すべての問題を解決すること、つまり上記の各アプローチで安定した収益性の高いTSを構築することは不可能である。
TAで成功したら、それ以外はすべて捨ててしまえ。MOは、GARCHと同様に、数年間です。
体系的な情報の提示に感謝する。
そうですね、私自身も波の体系化に多くの時間を費やしてきました。多くの人はこのトピックを理解していませんが、着実に機能しています。その後、OHLCに移りました。そこでも興味深い体系的な情報をたくさん見つけた。MOは、さらなる認識と市場の規則性、より正確には世界経済の結果をチャートの形で明らかにするという点で興味深い。興味深いことがたくさんありすぎて、語り尽くせない。誰も気づかないのだろうか？真剣に議論する相手がいないのだ。）
体系的な情報の提示に感謝する。
そうですね、私自身も波の体系化に多くの時間を費やしてきました。多くの人がこのトピックを理解していませんが、着実に機能しています。その後、OHLCに移りました。そこでも興味深い体系的な情報をたくさん見つけた。MOは、さらなる認識と市場の規則性、より正確には世界経済の結果をチャートの形で明らかにするという点で興味深い。興味深いことがたくさんありすぎて、語り尽くせない。 誰も気づかないのだろうか？ 真剣に議論する相手がいないのだ。）
見ることと、コードを書くこと・合わせることは別のことだ。
100回目、情報的なつながりの度合いによって
相互情報は適しているのか？
https://scikit-learn.org/stable/modules/generated/sklearn.feature_selection.mutual_info_classif.html
古典的なシステムでは柔軟性の不足が問題だが、MOでは過剰な柔軟性が問題となる。データの選択と再トレーニングの両方が必要である。サンプルサイズとトレーニングの頻度さえも同じである。MOだけが何倍ものパワーと "ブラックボックス "を必要とする。2010年当時、オニキスではすべてをグリッドに突っ込んでいたが、それ以来、容量は桁違いに大きくなった。
しかし、まだそこにあるのだ。すべてが表層にあり、チャート上にあるのに、なぜ誰もが深く掘り下げるのだろうか？
もちろん、例えば価格の反転など、正確な場所の完全な 不変 性はない。これからもないだろう。しかし、そのために価格行動の予測可能性が失われることはない。精度が落ちることはあっても、予測可能性が落ちることはない。市場には相互に関連するモデルがあり、そこから逃れることはできない．
すべてが表層、チャート上にあるのに、なぜ誰もが深く掘り下げるのか？
もちろん、価格が反転する正確な場所が完璧に 一定で あることはない。今後もあり得ないだろう。しかし、そのために価格行動の予測可能性が失われることはない。精度が落ちることはあっても、予測可能性が落ちることはない。市場には相互に関連したモデルがあり、そこから逃れることはできないのだ．
私は一般的に手動取引を支持している．スリッパを投げ始めることができる。
私は基本的に手動取引に賛成なのだが......。スリッパを投げてください
もういい。もういい。終わったよ。 スリッパを取ってくるよ（笑)。
相互情報はそれに適しているか？
https://scikit-learn.org/stable/modules/generated/sklearn.feature_selection.mutual_info_classif.html
そう、別名21世紀の相関関係。
またはhttp://www.exploredata.net/21世紀の相関図
あるいは http://www.exploredata.net/。このオプションとscikit-learnの オプションのどちらが良いですか？
https://minepy.readthedocs.io/en/latest/python.html
これとscikit-learnの どっちがいい？
https://minepy.readthedocs.io/en/latest/python.html
どちらも良いが、minepyの方がより進んでいる。
相互情報によって無意味な特徴量の束から選択するというアプローチはあまり支持しない。むしろTC規範の迅速な評価のためだ。
私はそれをオプティマイザーに組み込んで、遺伝学を通じてレースをする人たちのための複合的な最適化基準の一部として使ってみたいと思っている。