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 3012 1...300530063007300830093010301130123013301430153016301730183019...3399 新しいコメント Aleksey Vyazmikin 2023.04.09 18:46 #30111 Maxim Dmitrievsky #:あなたが言っていることは、まだ誰にも理解されていないと私は思います )彼はオッカムの剃刀の原理で、言葉なしでシンプルにすべてを明らかにしている。 いや、私がこのスレッドに来て、木からルールを淘汰し、それを評価することについて話し始めたとき、あなたはその考えを笑った。 私は今、次のステップ、つまり、予測因子の量子セグメントの評価を通じて、潜在的に質の高いルールを生み出すための条件を作り出したのだが、またしても私は完全な誤解に直面している。 Aleksey Vyazmikin 2023.04.09 18:48 #30112 СанСаныч Фоменко #:ったな。 ここでは同じことを100回言わないと聞いてもらえない。 Maxim Dmitrievsky 2023.04.09 18:52 #30113 Aleksey Vyazmikin #:いや、私がこのスレッドに来て、木からルールを抽出して評価するという話を始めたとき、あなたはそのアイデアを笑った。私は今、次のステップ、つまり予測子の量子セクションの推定を通じて、潜在的に質の高いルールを生み出すための条件を作り出したのだが、またしても私は完全な誤解に直面している。では、ただルールを引き出すだけでは満足できないのですか？理論的には、そこでも運の問題だが、その（ルールの）数を犠牲にすれば、何かを見つけることができるかもしれない。 オプティマイザーで戦略パラメーターを検索するのとほぼ同じだが、よりエレガントな方法だ。 Aleksey Vyazmikin 2023.04.09 19:11 #30114 Maxim Dmitrievsky #:では、ただルールを抜いただけでは満足できなかったのか？ この方法は、その後の生まれ変わりを伴うルールのさらなる寿命について確実性がないという事実を除けば、かなり優れていることが判明した。長い間隔で、選択されたルールの50％以上がポジティブな成績を示した。 私は遺伝木を使ったが、サンプルに多くの予測変数が含まれる場合、これは非常に時間がかかる。 そこで、トレーニングのためにツリーに与える情報量を減らす方法を探すことにした。潜在的に有用なデータをハイライトする方法を探し始めました。 もう1つの問題は、リーフ/ルールは活性化ポイントが非常に似ているということです。そして葉のベースが大きくなるにつれて、独自性を見つけるのが難しくなった。 その結果、デザインは面白く、改善すべき点もあるが、私の場合は非常に時間がかかった。一般的に、実験には不向きだが、TC建設装置のコンセプト全体が出来上がれば、実装には面白い。 もちろん、私はRを知らないし、地元の達人にも尋ねたが、誰も私の課題を解決する手助けをしてくれなかった。 今、私はサンプリングとルート予測変数の強制選択（リストによる）とすでに使用されている予測変数のブロックを追加します。 Maxim Dmitrievsky 2023.04.09 19:19 #30115 Aleksey Vyazmikin #:この方法は、その後に生まれ変わるルールのさらなる寿命について確実性がないという事実を除けば、非常に優れていることが判明した。長い間隔では、選択されたルールの50％以上が好成績を示した。私は遺伝木を使用した - サンプルに予測変数が多く含まれる場合、これは非常に時間がかかる。そこで、学習のためにツリーに与える情報量を減らす方法を探すことにした。私は有用なデータを選択する方法を探し始めた。もう1つの問題は、リーフ/ルールは活性化ポイントが非常に似ているということです。そして葉のベースが大きくなるにつれて、独自性を見つけるのが難しくなった。その結果、デザインは面白く、改善すべき点もあるが、私の場合は非常に時間がかかった。総じて、実験には不向きだが、TC建設装置の全体構想が出来上がれば、実装には面白い。もちろん、私はRを知らないし、地元の達人にも尋ねたが、誰も私の問題を解決する手助けをしてくれなかった。今、私はサンプリングとルート予測変数の強制選択（リストによる）とすでに使用されている予測変数のブロックを追加します。なぜcatbustが必要なのですか？単純なツリーから、複雑なルールの重みを減らして（ルールの複雑さに対するペナルティ）、ルールによってルートからトップまで行くのはどうだろう？テスターで各ルールを新しいデータで実行し、エラーが大きいものはあらかじめ捨てておく。 ZY、私はまだこのアプローチが直感的に好きではない。 mytarmailS 2023.04.09 19:32 #30116 Aleksey Vyazmikin #:そしてもちろん、私はRを知らない、 年以上前からそう聞いている。 Rなんて 1週間で覚えられるよ。 Aleksey Vyazmikin 2023.04.09 19:34 #30117 Maxim Dmitrievsky #:むかえてむむか、むかむか。 、、、のののののの、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、おっしゃる通りおっしゃる凡百の凡百。 、、フレンドリーなフレンドリーフレンドリーフレンドリーフレンドリーフレンドリーフレンドリーフレンドリーフレンドリーフレンドリーフレンドリーフレンドリー。ークレーム・ツリーというークレーム・ツリーのークレーム・ツリーのークレーム・ツリーのークレーム・ツリー、のののの 駒澤選手と木村拓哉さん ーそしてフレンドリーなー。いつかコードで実装してみたい。 Aleksey Vyazmikin 2023.04.09 19:37 #30118 Maxim Dmitrievsky #:単純なツリーで、複雑なルールの重みを減らして（ルールの複雑さによるペナルティ）、ルールごとにルートからトップまで行くのはどうだろう。テスターで各ルールを新しいデータで実行し、エラーが大きいものはあらかじめ捨てておく。 ZY、私はまだこのアプローチが直感的に好きではない。 基本的には、データ量とモデルを適用する際のCPU負荷の違いだけだ。 それに、葉はグループ化して重みを配分することでアンサンブルしやすくなる（私はこれをハーバリウムと呼んでいる）。 多くのツリーを使ってルールを作るので、シグナルが重なる。 Aleksey Vyazmikin 2023.04.09 19:40 #30119 mytarmailS #:もう1年以上前から聞いている。 Rは 1週間で習得できる どうやら誰もがそんなに才能があるわけではないようだ。 そして、コードは単純ではない。私はやり直そうとしたが、インターネット上には問題を解決するのに十分な情報がなかった。 Rのもう一つの欠点は、コンピュータ間で計算を並列化するための簡単なソリューションがないことだ。 Maxim Dmitrievsky 2023.04.09 19:41 #30120 Aleksey Vyazmikin #:この違いは、本質的にはデータ量とモデルを適用する際のCPU負荷の違いだけである。まあ、それに加えて、葉はアンサンブルしやすく、グループに集めて重みを配分しやすい（私はこれをハーバリウムと呼んでいる：）。多くの木を使ってルールを作るので、シグナルが重なり合う。 私がこの考えを嫌う理由は、関連性（ルールなど）＝因果関係だからだ。） 1...300530063007300830093010301130123013301430153016301730183019...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
あなたが言っていることは、まだ誰にも理解されていないと私は思います )
彼はオッカムの剃刀の原理で、言葉なしでシンプルにすべてを明らかにしている。
いや、私がこのスレッドに来て、木からルールを淘汰し、それを評価することについて話し始めたとき、あなたはその考えを笑った。
私は今、次のステップ、つまり、予測因子の量子セグメントの評価を通じて、潜在的に質の高いルールを生み出すための条件を作り出したのだが、またしても私は完全な誤解に直面している。
ったな。
ここでは同じことを100回言わないと聞いてもらえない。
いや、私がこのスレッドに来て、木からルールを抽出して評価するという話を始めたとき、あなたはそのアイデアを笑った。
私は今、次のステップ、つまり予測子の量子セクションの推定を通じて、潜在的に質の高いルールを生み出すための条件を作り出したのだが、またしても私は完全な誤解に直面している。
では、ただルールを引き出すだけでは満足できないのですか？理論的には、そこでも運の問題だが、その（ルールの）数を犠牲にすれば、何かを見つけることができるかもしれない。
オプティマイザーで戦略パラメーターを検索するのとほぼ同じだが、よりエレガントな方法だ。では、ただルールを抜いただけでは満足できなかったのか？
この方法は、その後の生まれ変わりを伴うルールのさらなる寿命について確実性がないという事実を除けば、かなり優れていることが判明した。長い間隔で、選択されたルールの50％以上がポジティブな成績を示した。
私は遺伝木を使ったが、サンプルに多くの予測変数が含まれる場合、これは非常に時間がかかる。
そこで、トレーニングのためにツリーに与える情報量を減らす方法を探すことにした。潜在的に有用なデータをハイライトする方法を探し始めました。
もう1つの問題は、リーフ/ルールは活性化ポイントが非常に似ているということです。そして葉のベースが大きくなるにつれて、独自性を見つけるのが難しくなった。
その結果、デザインは面白く、改善すべき点もあるが、私の場合は非常に時間がかかった。一般的に、実験には不向きだが、TC建設装置のコンセプト全体が出来上がれば、実装には面白い。
もちろん、私はRを知らないし、地元の達人にも尋ねたが、誰も私の課題を解決する手助けをしてくれなかった。
今、私はサンプリングとルート予測変数の強制選択（リストによる）とすでに使用されている予測変数のブロックを追加します。
この方法は、その後に生まれ変わるルールのさらなる寿命について確実性がないという事実を除けば、非常に優れていることが判明した。長い間隔では、選択されたルールの50％以上が好成績を示した。
私は遺伝木を使用した - サンプルに予測変数が多く含まれる場合、これは非常に時間がかかる。
そこで、学習のためにツリーに与える情報量を減らす方法を探すことにした。私は有用なデータを選択する方法を探し始めた。
もう1つの問題は、リーフ/ルールは活性化ポイントが非常に似ているということです。そして葉のベースが大きくなるにつれて、独自性を見つけるのが難しくなった。
その結果、デザインは面白く、改善すべき点もあるが、私の場合は非常に時間がかかった。総じて、実験には不向きだが、TC建設装置の全体構想が出来上がれば、実装には面白い。
もちろん、私はRを知らないし、地元の達人にも尋ねたが、誰も私の問題を解決する手助けをしてくれなかった。
今、私はサンプリングとルート予測変数の強制選択（リストによる）とすでに使用されている予測変数のブロックを追加します。
なぜcatbustが必要なのですか？
単純なツリーから、複雑なルールの重みを減らして（ルールの複雑さに対するペナルティ）、ルールによってルートからトップまで行くのはどうだろう？
テスターで各ルールを新しいデータで実行し、エラーが大きいものはあらかじめ捨てておく。
ZY、私はまだこのアプローチが直感的に好きではない。そしてもちろん、私はRを知らない、
年以上前からそう聞いている。
Rなんて 1週間で覚えられるよ。
むかえてむむか、むかむか。
、、、のののののの、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、おっしゃる通りおっしゃる凡百の凡百。
、、フレンドリーなフレンドリーフレンドリーフレンドリーフレンドリーフレンドリーフレンドリーフレンドリーフレンドリーフレンドリーフレンドリーフレンドリー。ークレーム・ツリーというークレーム・ツリーのークレーム・ツリーのークレーム・ツリーのークレーム・ツリー、のののの 駒澤選手と木村拓哉さん
ーそしてフレンドリーなー。いつかコードで実装してみたい。
単純なツリーで、複雑なルールの重みを減らして（ルールの複雑さによるペナルティ）、ルールごとにルートからトップまで行くのはどうだろう。
テスターで各ルールを新しいデータで実行し、エラーが大きいものはあらかじめ捨てておく。
ZY、私はまだこのアプローチが直感的に好きではない。基本的には、データ量とモデルを適用する際のCPU負荷の違いだけだ。
それに、葉はグループ化して重みを配分することでアンサンブルしやすくなる（私はこれをハーバリウムと呼んでいる）。
多くのツリーを使ってルールを作るので、シグナルが重なる。
もう1年以上前から聞いている。
Rは 1週間で習得できる
どうやら誰もがそんなに才能があるわけではないようだ。
そして、コードは単純ではない。私はやり直そうとしたが、インターネット上には問題を解決するのに十分な情報がなかった。
Rのもう一つの欠点は、コンピュータ間で計算を並列化するための簡単なソリューションがないことだ。
この違いは、本質的にはデータ量とモデルを適用する際のCPU負荷の違いだけである。
まあ、それに加えて、葉はアンサンブルしやすく、グループに集めて重みを配分しやすい（私はこれをハーバリウムと呼んでいる：）。
多くの木を使ってルールを作るので、シグナルが重なり合う。
私がこの考えを嫌う理由は、関連性（ルールなど）＝因果関係だからだ。）