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 3005

新しいコメント
 
Maxim Dmitrievsky #:
初期系列をグラフ、クアンタ、レベル、正弦波、その他何でもあなたが発明したものに変換するようなナンセンスなことをする前に考えなさいという呼びかけだった。
問題が正しく設定されていないことは、ずっと前から、前回は10～20ページ前にここで言ってきたことだ。

タスクを変換するには、データを変換しなければならない。

だから、あなたが私に考えろと言っている間に、私はすでにそれを考え、選択肢を考えている。
 
mytarmailS #:
タスクが正しく設定されていないという事実は、私が長い間ここで言ってきたことで、前回は10～20ページ前だった。

そして、タスクを変換するには、データを変換しなければならない...。

あなたが私に考えろと言う間に、私はすでにそれを考え、選択肢を調べているわけです。
そしてまた、一般化する代わりに暗記することになる。
 
Maxim Dmitrievsky #:
データ中に一定の信号が存在すると、ほとんど即座に汎化を意味し、ノイズはエラーになる。もし信号がなければ、分類エラーは単に異なるラベルと同じ特徴値を持つサンプルの重なりとなる。2つ目のモデルには予測価値はない。これが私の反駁に対する答えである。そしてそれは、合成データと実データでのテストによって確認されている。

パターン（ウェーブレット、シャプレットなど）が存在し、信号が存在しない場合、学習済みと未学習への分割のみが機能する。学習可能なものは分類され、学習不可能なものはフィルタリングされる。ここで、優れた記憶力はフィルターとして機能し、汎化はパターンの汎化として機能する。

市場のように）顕著で持続的なパターンがなく、非効率性がある場合、アプローチはさらに洗練されなければならない。ここでは、記憶すべきものと一般化すべきもの、どちらか一方を探し出さなければならない。アルゴリズム的に

最終的に取引されるのは元の系列なのだから。

規則性には浮動確率があり、周期的に変化することもあれば、完全に消滅することもある。私は大きな時間幅を扱い、これらの現象を観察してきた。

2008年から2017年（10年間）のモデルをトレーニングすることは可能であり、それは今日まで機能する。このようなモデルにはシグナルがほとんどない - 最大30％のリコールだが、これは次の数年間（テストサンプル）に機能する10年間のパターンがほとんどないということでもある。

しかし、それがどのようなパターンなのか-周期的なパターンなのか、それとも一度きりのパターンなのか（数十年周期かもしれない）-はまだ確立されておらず、したがって継続的に機能するモデルを選択することは不可能である。

理想を言えば、少なくとも3ヶ月に1回以上の頻度で周期的なパターンを見つける必要があり、そうすればモデルはドローダウンから抜け出すことができると期待できる。

さまざまな周期的パターンで訓練されたこのようなモデルのパッケージは、ドローダウンを減らすことができる。

したがって、重要なのは、最初のシグナル＋ターゲット＋ターゲットに対して周期的な正の規則性を持つ予測変数である。


あなたのアプローチ - 振ってふるいにかける - は、探鉱者の仕事に似ています - もちろん、あなたは興味深い、学習しないの多くを見つけることができますが、どのようにそれが安定していると確信することができますか？

もちろん、興味深いものや学んでいないものをたくさん見つけることはできるが、それが安定したものであるとどうして確信できるのだろうか？私は自分で日付を解読するのが好きだし、この方向でのアイデアも持っているが、今はモデルの安定確率を高める方向で掘り下げたい。

 
Aleksey Vyazmikin #:

あなたのやり方は、振ってふるいにかけるという、まるで探鉱者の仕事のようだ。

私自身は日付を振るのが好きで、この方向でアイデアを持っているが、今はモデルの安定性の確率を高める方向で掘り下げたい。

基本的なことを理解していないと、何をやっても意味がない。各ポイントを確認するだけであれば（1回目で理解できなかった場合🙂）。

安定性を確認するには、テスト、テスト、さらにテスト、それ以外にはない。MOはそれに最も適している。

理論的な愚痴を言う人は、どうやらMOの基本すら理解せずに、ツッコミやその他のナンセンスなことをたくさん話すからだ。このエンターテイメントは、メンタルやモラルの弱い人には向かないよ。）
 
Maxim Dmitrievsky #:
基本的なことを理解していないと、何をするにも意味がない。各ポイントを確認するためだけであれば（1回目で理解できなかった場合は🙂）

安定性を確認するためには、テスト、テスト、そしてさらにテスト、それ以外にはない。MOはそれに最も適している。

私は、あなたの説明や一般的なアプローチに異議を唱えているわけではありません。

私の人工的な実験では、10個の単純な規則性（私の場合は、予測値が低下した量子セグメント）を持つ行を抜き出すだけで、サンプル全体を35％減らしながら、 確率を15～20％1に向かってシフトさせることができることがよくある。これは機械学習の手法では実現できない。要するに、これは役に立たない／矛盾したデータの浸出なのだ。しかし、より現在に近い形で、つまり統計的に履歴を知るのではなく、何らかの方法で偽／矛盾パターンだけを選択する方法で、これを行いたい。

どのような機器でもモデルが機能するような課題を設定すればテストは可能だが、そのような安定したパターンはさらに少ない。また、歴史をただ遡ったり、さらに悪いことに、シンセティックを使うことは効果的とは思えない。せいぜい、日数をシャッフルして日足から合成することくらいですが、私にはまだできません。あなたは試したことがありますか？

 
mytarmailS #:
私は完全に門外漢なのだが、価格をグラフで表現することは可能なのだろうか？
どなたかご存知ですか？

マンデルブロが価格を3分木の森として表現したように、それぞれの動きを3つ（同じ方向への2つの動きとその間の修正）に分けることができます。

利点は、価格のフラクタル構造に関するあらゆる統計を収集できることである。デメリットは、アルゴリズムの複雑さと、先読みを避けることの難しさである。

 
Stanislav Korotky #:

そして、これは私が上で挙げたマトリックスや "並列 "プラットフォームの例とどのように関係しているのだろうか？

例えば、私はkerasへのリンクから行列を取り出し、それらを呼び出します：

を呼び出し、ゼロを得る。

コントロールの例は適合しない。

カテゴリクロスエントロピーは、2つ以上のクラスがある分類モデルで使われる。そしてソフトマックスの後。ソフトマックスは、値の集合を合計が1になる確率の集合に変換します。

次のような制御例を試してみよう：

pred: 0.1, 0.1, 0.2, 0.5, 0.1

true: 0, 0, 1, 0, 0, 0

 
Aleksey Vyazmikin #:

せいぜい、日数をシャッフルすることで、1日単位から合成を作ることは可能だが、これはまだ私にはできない。試してみましたか？

そのような仮定が何を根拠にしているのか理解できないし、これはまた特徴を利用しているのであって、学習方法を改善しているわけではない。だから二の次なんだ。

学校と同じです。ある教科書で教えることもできるし、別の教科書で教えることもできる。変身と同じで、本質は変わらない。でも、片方の頭に入って、もう片方の頭から出ていく。）

最終的なゴールが明確でない場合、シンテティックスを使うのは難しい。シークエンスの特性をテストしたり、異なるパーツに混ぜたりして、結果がどう変わるかを見るために使った方がいい。もしそうなら？データ内のオフセットの整列。
元データの暗記を減らして汎化性を高めるという点では一般的に有用だが、出来合いのTSを作るという点ではまだ不完全だ。単純なモデルから線形モデルまでを含む様々なモデルのアンサンブルをトレーニングする場合、元のデータで同様の結果を得ることができる。

さて、これによって優れたものを得ることはまだ不可能だが、改善することは可能である、というおおよその答えはおわかりだろう。

 
Aleksey Nikolayev #:

マンデルブロが価格を3分木の森と表現したように、それぞれの動きを3つ（同じ方向への2つの動きとその間の調整）に分解することができる。

利点は、価格のフラクタル構造に関するあらゆる統計の収集にアクセスできることである。デメリットは、アルゴリズムの複雑さと、先読みを避けることの難しさである。

連想ルールの形で提示できますか？
 
mytarmailS #:
連想ルールで表現できるのでしょうか？

考えたことはないが、価格では動きの順序が重要なので、可能性は低いと思う。

念のため、マンデルブロの考えを説明するための図を。各価格の動きは、可能であれば、3つの動きに分割され（その中で最大の修正を選択する）、ツリーのノードになります。もしその動きの中に修正がなければ（あるいは修正値がある値より小さければ）、それは木の葉になる。


1...299829993000300130023003300430053006300730083009301030113012...3399
新しいコメント
理由: