Y 今、わかりました。つまり、まず、例えば教師がいないネットワークを学習させるのです。そして、得られた重みを分類器の重みに書き込み、その分類器を教師で学習させる。ニューロンガイドによるファインチューニングの重みを受け取ったとすると、重みは最適化され続ける？つまり、教師なしで事前学習を行うことで、分類器をグローバルミニマムにするための初期重みを設定するのです。こんな感じなんでしょうか？
Mihail Marchukajtes： Y なるほど。つまり、まず教師がいないネットワークを学習させるのです。そして、得られた重みを分類器の重みに書き込み、さらに教師で分類器を学習させる。ニューロンガイドによるファインチューニングの重みを受け取ったとすると、重みは最適化され続ける？つまり、教師なしで事前学習を行うことで、分類器をグローバルミニマムにするための初期重みを設定するのです。そうなんですか？
ミハイル・マルキュカイツ
J ディープラーニングについて。今、多くの人が話題にしているので、もっと知りたくなりました。そしてもう一つ質問です。MT4で先生なしでリカレントネットワークを導入した人はいますか？
=====================================
ここ、ここを お読みください。
2つ目の質問に関しては、何と言ったらいいのかわからないくらいです。
グッドラック
トレーニングで使うターゲットは、モデルが努力しても決して到達できない、ある種のベースとしてのみ使用しています。そして、モデルの推定には予測精度を使わず、その予測で貿易収支をプロットし、このグラフを例えばシャープレシオやリカバリーファクターなどを使って推定しています。次のバーの色」という目的をもって取り組むとよいでしょう。さらに難しいことを言えば、このターゲットを遺伝子組み換えして、小さな動きにはディールを使わず、ただ座っているようにすることもできます。さらに、次のローソクの大きさがスプレッドより小さければ、この問題を回避することも可能です。一般的に、各バーでの判断（買い/売り）は、最大の利益を得るために遺伝的に選択されるべきです。
ある指標などのインスタンスを取り出して、モデルを学習させ、同じ学習データで予測を行い、その予測を使ってバランスチャートを作り、評価するのです。そして、バランスグラフの推定値をより良くするために、モデルパラメータや指標パラメータ、それらの組み合わせの選定に長い時間をかけています。その結果、予測の精度は60％以下ですが、このモデルはトレンドに適合し、すべてのバーで頻繁に取引を実行するわけではありません。
これは氷山の一角で、水面下では、インテントの有用性を推定し、モデルが悪いインテントにあまり重きを置かないことをチェックすること、Rで利用できる数百のモデルの中から適切なモデルを選択すること、クロスバリデーション、モデル学習に使用する履歴の長さの選択など、さらに多くの秘密事項があるのである。
最初はD1だけでやっていたのですが、H1に切り替えてなんとかやっています。私にとっては、小さいタイムフレームはすでに予測不可能なノイズです。
https://www.accern.com/、試してみることをお勧めします。私も使っていますが、とても満足しています。
見た目はかっこいいけど、ちょっとお値段が高いかな。
無料のもので練習して、遅延のないリアルタイムの動作を確認したいのですが、巨大なラグのあるデモがあります。
このようなシグナルがトレードやMOでどのように使われるのか、端的に教えてください。秘密でなければ、重要なニュースが発表されたとき、取引する時間があるのか、それとも誰かが市場を叩き始めて餌になるまでの1秒、半秒の間なのか。
そして、モデルの評価には、予測の精度を使うのではなく、そうした予測に対するトレードのバランスをプロットし、このチャートを例えばシャープレシオやリカバリーファクターなどを通じて評価します。
これはまさに私がいつもやっていることで、予測はいつも悪いのですが、トレードそのものはいつもダメ なんです・・・。一般に、理想的な目標は「00110」という値を持つベクトルではなく、グローバルミニマムの探索です。例えば、回収率が4を下回らないように取引するようグリッドに要求し、解を見つけるまで重みを調整させるだけで、その方法は気にしない......ということです。この方法は、通常のベクトルターゲットの欠点をすべて解消し、多くの利点があります。また、ベクトルターゲットが絶対的に主観的（人によって見方が異なる）であるのに対し、この方法はトレードとの関係で絶対的に客観的であることも特徴です。
Rではそのような目標を実現することは不可能で、その意味ではあまりにも「ポピュラー」で、そこではすべてが「レール」であり、すべてがパターン化されており、それは良いことであり、同時に悪いことでもあるのです。やり方がわからない、もし知っている人がいたらコードを勉強してみたい、Rでできたらメルヘンチックになりそう・・・。
ある指標などのインスタンスを取り出して、モデルを学習させ、同じ学習データで予測を行い、その予測を使ってバランスチャートを作り、それを推定するのです。そして、バランスグラフの推定値をより良くするために、モデルパラメータや指標パラメータ、それらの組み合わせの選定に長い時間をかけているのです。その結果、予測の精度は60％以下ですが、このモデルはトレンドに適合し、すべてのバーで頻繁に取引を実行するわけではありません。
もし興味があれば、ネットでの取引を大幅に改善する方法を お教えします。
mytarmailS:
Rでそのようなターゲットを実装するのは現実的ではありません。そういう意味ではあまりにも「ぽい」、そこにあるのはすべて「レール」であり、すべてパターン化されている、それは良いことであり、同時に悪いことでもあるのです。だから、自分でネットワークを書く必要があるのです。私は自分ではできないので、もしできる人がいれば、そのコードを勉強したいと思いますし、それがRで行われていたなら、おとぎ話でも......。
勘違いしていますね。簡単に言えば、「言葉が十分に通じないし、やりたいことができない」ということです。深く知らないものは評価しないほうがいい。R言語は、十分な知識さえあれば、どんなアイデアでも実現できる。Rにないものは、Pythonの仕組みを利用する。
もちろん、厳密に言えば、どんなモデルでも先生と一緒に学ぶことは「学習」ではない。ディープラーニングもそれに近いが、最も有望なのは純粋な教師不要の学習とその実装である強化学習 である。Rでは今のところ、この方法を実装できるパッケージはRNeatだけである。しかし、このレベルに到達するためには、それまでのすべてのレベルを十分に理解していなければなりません。このあたりは、Pythonでしっかり開発されています。そして、Rに完全に統合されます。
グッドラック
正しく策定できていない。もっと簡単に書くと、「言葉が十分に通じないし、やりたいことのやり方がわからない」。深く知らないものは評価しないほうがいい。R言語では、十分な知識さえあれば、どんなアイデアでも実現することができます。Rにないものは、Pythonの仕組みを利用する。
もちろん、厳密に言えば、どんなモデルでも先生と一緒に学ぶことは「学習」ではない。ディープラーニングもそれに近いが、最も有望なのは純粋な教師不要の学習とその実装である強化学習である。Rでは今のところ、この方法を実装できるパッケージはRNeatだけである。しかし、このレベルに到達するためには、それまでのすべてのレベルを十分に理解していなければなりません。このあたりは、Pythonでしっかり開発されています。そして、Rに完全に統合されます。
グッドラック
Y なるほど。つまり、まず教師がいないネットワークを学習させるのです。そして、得られた重みを分類器の重みに書き込み、さらに教師で分類器を学習させる。ニューロンガイドによるファインチューニングの重みを受け取ったとすると、重みは最適化され続ける？つまり、教師なしで事前学習を行うことで、分類器をグローバルミニマムにするための初期重みを設定するのです。そうなんですか？
把握が早く、なかなか正しく把握できない。R にはdeepnet と darch v.0.12 というディープニューラルネットワークを 実装したパッケージがあります。前者はかなり簡略化されていて、多くの設定や機能はありませんが、試して評価することは可能です。2つ目は、ニューラルネットワークの設計や設定の可能性が最も広いもので、訓練を受けていないユーザーが使用することは非常に困難です。しかし、適切なディープラーニングの機能を備えている。
1.自動連想ネットワーク(SAE/SRBM)を可能な限り多くの非ラベル付き入力データで事前学習させる。
2.ニューラルネットワークの隠れ層に重みを移し、配置されていないデータで最上層のみを学習させる。このパッケージでは、どの層を学習させるかを指定することができます。
3. 少ないエポック数（2～3回）でネットワーク全体を微調整し、少量のマークアップ・データで低レベルのトレーニングを行う。そこで、ピーク付近の事例を応用する必要があるのです。
本パッケージの実装で非常に重要な点は、ニューラルネットワークの事前学習が可能であることです。
もちろん、事前学習を行わずにネットワークを学習させることも可能です。
ネットワークは非常に高速ですが、経験や知識が必要です。
グッドラック
ミハイル・マルキュカイツ
そしてもう一つ、ディープラーニングについてお伺いします。前段で神経細胞の重みを受け取ったとき。この重みを分類器の隠れ層に書き込む。そして、出力変数による分類器の学習を開始します。もし、重みの値をハードに設定した場合、何が最適化されるのか。微調整はどのようなものですか？説明できますか？
======================================
と自問自答することが多くなっています。
ディープラーニングに関する私の記事は読まれましたか？そこでは、私が思うに、かなり詳細にすべてを説明しました。書かれていることを繰り返している時間はないのです。もし、そこに書かれていない質問があれば、喜んでお答えします。
グッドラック