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 3131 1...312431253126312731283129313031313132313331343135313631373138...3399 新しいコメント Maxim Dmitrievsky 2023.07.11 13:16 #31301 Aleksey Vyazmikin #:あなたの言うことも一部正しいが、私はすべてをシャッフルするという哲学が理解できない。例えば周期性など、取り返しのつかないドリフトがない場合は確かに有効だ。そもそも、私はさまざまなタイプのドリフトを分類し、それぞれに対処したいと考えている。そして、排除しないのであれば、検出（ディテクション）することだ。 無作為化によってテストとコントロールの間のバイアスを除去し、その後予測因子の影響を評価する。 その前にバイアスを取り除かなければ、因果関係ではなく連想関係になる。 mytarmailS 2023.07.11 13:37 #31302 Maxim Dmitrievsky #: この不思議なコンテンツは、すべて別のスレッドに入れることができますか？ 終わった spiderman8811 2023.07.11 13:44 #31303 mytarmailS #:そういうものを見せてくれる？そんなに普通ならね。 何がそんなに難しいんだ？スケールを飛び越えることは以前にもやったことで、秘密はない。私はもっと複雑なものを探しているし、1つの取引だけの写真では全体の本質が見えてこない。 spiderman8811 2023.07.11 13:45 #31304 Renat Akhtyamov #:最後にさて、スタートだ。次はどうする？ これで研究は終わりです)))) mytarmailS 2023.07.11 13:53 #31305 spiderman8811 #: 何がそんなに難しいのですか？スケールを飛び越えることは以前にもやったことで、ここに秘密はない。私が求めているのはもっと複雑なことで、1つの取引だけの写真では全体の本質は何も見えてこない。 なるほど。 文字を書くのは難しくない。 spiderman8811 2023.07.11 13:58 #31306 mytarmailS #:わかったよ。もちろんスペルは難しくない。 私のフリーランスの仕事を見たことがありますか？） mytarmailS 2023.07.11 14:06 #31307 spiderman8811 #:私のフリーランスの仕事を見たことがありますか？） フリーランスのプロフィールを見たときに、案件の質を評価するにはどのような方法がありますか？ Aleksey Vyazmikin 2023.07.11 14:13 #31308 Maxim Dmitrievsky #:無作為化によりテストとコントロール間のバイアスを除去し、その後予測因子の影響を推定する。バイアスが事前に除去されないと、因果的ではなく連想的となる。 ゴールド・スタンダード 前回のレッスンでは、なぜ、そしてどのように関連が因果関係と異なるのかを見てきた。また、関連が因果関係になるためには何が必要かを見た。 E|Y|T = 1] - E[Y|T = 0] = E[Y - Yo|T = 1] + {E[Yo|T = 1] - E[Yo|T = 0]}.を調整する。 バイアスがなければ、関連は因果になることを思い出してください。E[Yo T = 0] = E[Yo T = 1]であれば、偏りはない。言い換えると、治療された患者と対照の患者が、その治療以外は等しいか同等であれば、関連は因果となる。あるいは、より専門的な言い方をすれば 上の図はその翻訳である。 そもそも-どの時点でサンプルを2つのサブサンプルに分けたいのか理解できない。 次に-どうやらここには特別な専門用語があるようだ。因果関係とは、結果に対する直接的な影響であり、おそらく確率的なパターンですらなくなっている。関連関係とは、原因の活性化因子か関連する特徴のことで、通常は確率的なものである。 私はこの公式を理解していない-人間の言葉で要点を述べよ？ しかし、これらの方法（UpLift）のポイントは、ターゲットに専ら影響を与えた要因を推定することです。影響の度合いを評価するのだと理解しています。そして、私たちの場合、そのような要因がわからず、すべてを調べ、アウトプットとしていくつかの測定値を得たとしましょう。それをどうすればいいのでしょうか？ 徐々にドリフトしていくデータをどう使えばいいのでしょうか？ もしかしたら、あなたは何か素晴らしいことを思いついたのかもしれないが、私はまだその思考回路をつかめていない。 Maxim Dmitrievsky 2023.07.11 15:24 #31309 Aleksey Vyazmikin #: ゴールド・スタンダード 前回のレッスンでは、なぜ、そしてどのように関連が因果関係と異なるのかを見てきた。また、関連が因果関係であるためには何が必要かを見た。 E|Y|T = 1] - E[Y|T = 0] = E[Y - Yo|T = 1] + {E[Yo|T = 1] - E[Yo|T = 0]}.を調整する。 バイアスがなければ、関連は因果になることを思い出してください。E[Yo T = 0] = E[Yo T = 1]であれば、偏りはない。言い換えると、治療された患者と対照の患者が、その治療以外は等しいか同等であれば、関連は因果となる。より専門的な言葉で言えば 上の図はその翻訳である。手始めに-どの時点でサンプルを2つのサブサンプルに分けたいのか理解できない。次に、どうやらここには特別な用語があるようだ。因果関係とは、結果に直接影響を与えることであり、おそらく確率的なパターンですらなくなっている。関連関係とは、原因の活性化因子か関連する特徴のことで、通常は確率的な意味を持つ。数式がよくわからないのですが、人間的な用語で要点を教えてもらえますか？しかし、これらの方法（UpLift）のポイントは、ターゲットに専ら影響を与えた要因を推定することです。影響の度合いを評価するというのは理解できます。そして、仮に私たちの場合、そのような要因がわからず、すべてを調べ、アウトプットとしていくつかの測定値を得たとします。それをどうすればいいのでしょうか？悪い指標を除外する？ データが徐々に変化している場合、どのように使う？もしかしたら、あなたは何か独創的なことを思いついたのかもしれないが、私はまだその思考回路をつかめていない。 記号がわからない場合は、chatgpt に式の解読を依頼することができます。 Y|T = 1 テストグループの結果（トリットメントあり） Y|T = 0 - 対照群（トリセ ントなし） Y - クラス・ラベル、Y0,Y1 - トリットメントなしとありのクラス・ラベル。 T - モデル（予測変数を含む）に導入されたトリットメント，または導入されなかったトリットメント (1;0) E - 期待値 test と traineで分割するように任意のポイントで分割する 混合を行わないと、ATE+バイアスの偏った推定が得られる ATEは暴露の平均治療効果である 眠いので、ところどころ文字が混ざっているかもしれないが、ロジックは明確であるべきだ。 Maxim Dmitrievsky 2023.07.11 15:38 #31310 ちなみに、gptよりもgoogleのbardの方が私の好みだ。ググれるし、無料だし。でも、英語とvpnに対応しているのはアメリカかイギリスだけで、他の国では使えない。 そして基本的に、誰がopenAIで誰がGooglesなのか。多分、重みが違う。 1...312431253126312731283129313031313132313331343135313631373138...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
あなたの言うことも一部正しいが、私はすべてをシャッフルするという哲学が理解できない。例えば周期性など、取り返しのつかないドリフトがない場合は確かに有効だ。
そもそも、私はさまざまなタイプのドリフトを分類し、それぞれに対処したいと考えている。そして、排除しないのであれば、検出（ディテクション）することだ。
無作為化によってテストとコントロールの間のバイアスを除去し、その後予測因子の影響を評価する。
その前にバイアスを取り除かなければ、因果関係ではなく連想関係になる。
この不思議なコンテンツは、すべて別のスレッドに入れることができますか？
終わった
そういうものを見せてくれる？
そんなに普通ならね。
最後に
さて、スタートだ。
次はどうする？
何がそんなに難しいのですか？スケールを飛び越えることは以前にもやったことで、ここに秘密はない。私が求めているのはもっと複雑なことで、1つの取引だけの写真では全体の本質は何も見えてこない。
なるほど。
文字を書くのは難しくない。
わかったよ。
もちろんスペルは難しくない。
私のフリーランスの仕事を見たことがありますか？）
私のフリーランスの仕事を見たことがありますか？）
フリーランスのプロフィールを見たときに、案件の質を評価するにはどのような方法がありますか？
無作為化によりテストとコントロール間のバイアスを除去し、その後予測因子の影響を推定する。
バイアスが事前に除去されないと、因果的ではなく連想的となる。
ゴールド・スタンダード
前回のレッスンでは、なぜ、そしてどのように関連が因果関係と異なるのかを見てきた。また、関連が因果関係になるためには何が必要かを見た。
E|Y|T = 1] - E[Y|T = 0] = E[Y - Yo|T = 1] + {E[Yo|T = 1] - E[Yo|T = 0]}.を調整する。
バイアスがなければ、関連は因果になることを思い出してください。E[Yo T = 0] = E[Yo T = 1]であれば、偏りはない。言い換えると、治療された患者と対照の患者が、その治療以外は等しいか同等であれば、関連は因果となる。あるいは、より専門的な言い方をすれば
上の図はその翻訳である。
そもそも-どの時点でサンプルを2つのサブサンプルに分けたいのか理解できない。
次に-どうやらここには特別な専門用語があるようだ。因果関係とは、結果に対する直接的な影響であり、おそらく確率的なパターンですらなくなっている。関連関係とは、原因の活性化因子か関連する特徴のことで、通常は確率的なものである。
私はこの公式を理解していない-人間の言葉で要点を述べよ？
しかし、これらの方法（UpLift）のポイントは、ターゲットに専ら影響を与えた要因を推定することです。影響の度合いを評価するのだと理解しています。そして、私たちの場合、そのような要因がわからず、すべてを調べ、アウトプットとしていくつかの測定値を得たとしましょう。それをどうすればいいのでしょうか？
徐々にドリフトしていくデータをどう使えばいいのでしょうか？
もしかしたら、あなたは何か素晴らしいことを思いついたのかもしれないが、私はまだその思考回路をつかめていない。
ゴールド・スタンダード
前回のレッスンでは、なぜ、そしてどのように関連が因果関係と異なるのかを見てきた。また、関連が因果関係であるためには何が必要かを見た。
E|Y|T = 1] - E[Y|T = 0] = E[Y - Yo|T = 1] + {E[Yo|T = 1] - E[Yo|T = 0]}.を調整する。
バイアスがなければ、関連は因果になることを思い出してください。E[Yo T = 0] = E[Yo T = 1]であれば、偏りはない。言い換えると、治療された患者と対照の患者が、その治療以外は等しいか同等であれば、関連は因果となる。より専門的な言葉で言えば
上の図はその翻訳である。
手始めに-どの時点でサンプルを2つのサブサンプルに分けたいのか理解できない。
次に、どうやらここには特別な用語があるようだ。因果関係とは、結果に直接影響を与えることであり、おそらく確率的なパターンですらなくなっている。関連関係とは、原因の活性化因子か関連する特徴のことで、通常は確率的な意味を持つ。
数式がよくわからないのですが、人間的な用語で要点を教えてもらえますか？
しかし、これらの方法（UpLift）のポイントは、ターゲットに専ら影響を与えた要因を推定することです。影響の度合いを評価するというのは理解できます。そして、仮に私たちの場合、そのような要因がわからず、すべてを調べ、アウトプットとしていくつかの測定値を得たとします。それをどうすればいいのでしょうか？悪い指標を除外する？
データが徐々に変化している場合、どのように使う？
もしかしたら、あなたは何か独創的なことを思いついたのかもしれないが、私はまだその思考回路をつかめていない。
記号がわからない場合は、chatgpt に式の解読を依頼することができます。
Y|T = 1 テストグループの結果（トリットメントあり）
Y|T = 0 - 対照群（トリセ ントなし）
Y - クラス・ラベル、Y0,Y1 - トリットメントなしとありのクラス・ラベル。
T - モデル（予測変数を含む）に導入されたトリットメント，または導入されなかったトリットメント (1;0)
E - 期待値
test と traineで分割するように任意のポイントで分割する
混合を行わないと、ATE+バイアスの偏った推定が得られる
ATEは暴露の平均治療効果である
眠いので、ところどころ文字が混ざっているかもしれないが、ロジックは明確であるべきだ。
ちなみに、gptよりもgoogleのbardの方が私の好みだ。ググれるし、無料だし。
でも、英語とvpnに対応しているのはアメリカかイギリスだけで、他の国では使えない。
そして基本的に、誰がopenAIで誰がGooglesなのか。多分、重みが違う。