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 3183 1...317631773178317931803181318231833184318531863187318831893190...3399 新しいコメント Maxim Dmitrievsky 2023.08.19 06:38 #31821 同じアルゴリズムで、OOSが機能しているモデルもそうでないモデルも、まったく同じ方法で得ることができる。シンボルは同じで、新しいランダム化は加えられていない。ただランダムにロングランパターンかローカルパターンを見つけるだけです。なぜなら、ランダムなサブサンプル(ライン選択された範囲内の40%)でトレーニングしても、ランダム化によってパターンを探す他のランダマイザーが存在し、ランダム化がそれを追いかけるからです。 Maxim Dmitrievsky 2023.08.19 06:41 #31822 fxsaber #:一人だ。この文章が理解できない。次の2つの選択肢は何を意味するのでしょうか? 実行可能なものを得るには、ランダム化を 何度も繰り返す必要がある。 ランダム化されたキャラクターをたくさん作れば、その中から使えるものが出てくる確率は高くなる。 ランダム化のアルゴリズムは以下の通り です: 実際のティック履歴を取る。 そこから平均価格((bid+ask)/2)の増分シーケンスを作成する。 このシーケンスでは、各項はランダムに+1または-1倍される。 新しいティック履歴は、時間とスプレッドがポイント 1 と一致する、一連の増分から収集される。 新しいティック履歴はカスタムシンボルに書き込まれる。 つまり、実際のシンボルが無作為化される。項目 3 は何度でも適用でき、項目 5 の後に 5 つのポイントすべてが繰り返される場合、項目 3 を 2 回繰り返すのと同じことになります。 そう、ハイライトされた何回も何文字も実行する必要があるのです。上に私のオーバーサンプラーの例を示しました。これは同じ行からランダムにトレーニング用のサンプルを引っ張ってくるだけで、結果はOOSで常に異なります。 OOSでは全く同じシャープなディップが発生します。 Maxim Dmitrievsky 2023.08.19 06:47 #31823 私はこのSBというものの意味が理解できない。OOSは何度も混ぜれば、どんなカーブも描ける。 fxsaber 2023.08.19 06:52 #31824 mytarmailS #: くそっ、簡単に言うとどうなるんだろう。 テストで最適化した後、OOSでより良いバリエーションを "手で "選ぶ。 アルゴリズムが最適化後のOOSで最良の選択肢を選ぶなら、それはフィッティングだ。 なぜか? フルセットのバリアントから最適なバリアント/オプションを選択することは最適化です。手作業でやろうがアルゴリズムでやろうが関係ない。 おそらくあなたはMTのテスターとしか仕事をしたことがなく、最適化そのものやその適用方法についてやや定型的に考えているのでしょう。 あなたの発言 取引、自動取引システム、取引戦略のテストに関するフォーラム トレーディングにおける機械学習:理論、モデル、実践とアルゴトレーディング mytarmailS、2023.08.16 13:23 一般的に、1000種類のTSがあるとします。 ステップ1と2 1) 良いTSを最適化/検索し始める。これがトレーン データ(フィッティング/検索/最適化)である。 例えば、TCが儲かるバリアントを300個見つけたとします。 2) さて、あなたはこの300のバリアントの中からOOSに合格するTCをテスト データとして探しています。あなたはトレーンと テスト(OOS)の両方で稼げるTCを10個見つけたとします。 では、ポイント2は何でしょうか? 最適化の条件が1つ(トレードに合格すること)ではなく、2つ(テストに合格すること+ トレードに合格すること)になっているから です。 10億のTC、3億のTCのバリアントが見つかり、訓練されたサンプルで儲かるとします - これがp.1です。 p.1.では、最適化はあるフィットネス関数で行われます。p.1.では、あるフィットネス関数で最適化が行われる。つまり、最適化は大域的な最大値を見つけることに関係する。これがp.1.のすべてだ。 最適化が終わったら、3億の肯定的な結果の中からOOSに合格した5つを探すことができる。私はそうはしない。 あるいは、グローバル・マキシマムから最も近い5つの結果を取り出し、OOSかどうかだけを調べることもできる。 ですから、最初の方法を実行すれば、それはビューの最適化です。 トレーディング、自動売買システム、トレーディング戦略のテストに関するフォーラム。 トレーディングにおける機械学習:理論、モデル、実践とアルゴリズム取引 fxsaber、2023.08.19 01時32分 (train+test)_optimよりも train_optim + test_forward モデルの方が信頼できると思いますか? つまり、最も純粋な形でのフィットです。 しかし、後者の 場合、フィットとは言えません。 fxsaber 2023.08.19 06:57 #31825 Maxim Dmitrievsky #:同じアルゴリズムで、OOSが機能しているモデルもそうでないモデルも、まったく同じ方法で得ることができる。シンボルは同じで、新たなランダム化は加えられていない。 同じシンボルでトレーニングを行ったことはありません。明らかに、ランダム化クラウドにはどのような特徴を持つ系列もあります。 Maxim Dmitrievsky 2023.08.19 06:58 #31826 前が悪く、後ろが良い。逆の状況もまったく同じだ。ただ、今はまだ再構築をあまりしていない。 mytarmailS 2023.08.19 06:59 #31827 fxsaber #:あなたの主張だ。10億のTCがあり、3億のTCバリアントが見つかり、訓練されたサンプルでは儲かる。p.1.では、最適化はあるフィットネス関数で行われます。この値が高いほど、フィットネスが高いとみなされる。つまり、最適化は大域的な最大値を見つけることに関係している。これがp.1.である。 最適化が終わったら、3億の肯定的な結果の中からOOSに合格した5つを探すことができる。私はそうはしない。 あるいは、大域的な最大値から最も近い5つの結果を取り出し、OOSかどうかだけを調べることもできる。 つまり、最初の方法をとれば、次のような最適化となる。 つまり純粋なフィッティングです。 2番目の 方法はフィッティングではありません。 。失礼しました。 Maxim Dmitrievsky 2023.08.19 07:00 #31828 fxsaber #:複数の特性についてトレーニングを受けたことがある。明らかに、無作為化クラウドでは、任意の特性を持つ行があります。 問題はないだろう。これらのTSはすべてランダム化されており、非定常市場で取引されているからだ。しかし、いくつかのバリエーションは、いくつかの観点から利益をもたらすことができます。 fxsaber 2023.08.19 07:00 #31829 Maxim Dmitrievsky #:そう。何度も、何文字も走らなければならない。上に私のオーバーサンプラーの例を示しました。これは同じ行からランダムにトレーニング用のサンプルを取り出すだけで、OOSの結果は常に異なる。 実際のシンボルではそのような効果はありません。私は最適化区間の40%を選びますが、それ以降はOOSの結果は非常に似ています。 これがランダム化に選んだシンボルで、そのトレーニング・グラフ です。 OOSでもまったく同じように鋭いディップが見られる。 私はいつもそれを見ているわけではありません。 Maxim Dmitrievsky 2023.08.19 07:06 #31830 fxsaber #:実際のシンボルではそのような効果は見られない。私は最適化間隔の40%を選択し、その後はOOSで非常によく似た結果が得られました。これがランダム化に選んだシンボルで、そのトレーニング・グラフ です。私はいつもそれを見ているわけではありません。 それでも、刻みの中にもっとアルファがあるということだ。素早く検索する方法を見つけた(MOを使うと非常に長くなる)。後で結果を発表するつもりだ。 1...317631773178317931803181318231833184318531863187318831893190...3399 新しいコメント 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
同じアルゴリズムで、OOSが機能しているモデルもそうでないモデルも、まったく同じ方法で得ることができる。シンボルは同じで、新しいランダム化は加えられていない。ただランダムにロングランパターンかローカルパターンを見つけるだけです。なぜなら、ランダムなサブサンプル(ライン選択された範囲内の40%)でトレーニングしても、ランダム化によってパターンを探す他のランダマイザーが存在し、ランダム化がそれを追いかけるからです。
一人だ。
この文章が理解できない。次の2つの選択肢は何を意味するのでしょうか?
ランダム化のアルゴリズムは以下の通り です:
そう、ハイライトされた
何回も何文字も実行する必要があるのです。上に私のオーバーサンプラーの例を示しました。これは同じ行からランダムにトレーニング用のサンプルを引っ張ってくるだけで、結果はOOSで常に異なります。
OOSでは全く同じシャープなディップが発生します。くそっ、簡単に言うとどうなるんだろう。
あなたの発言
取引、自動取引システム、取引戦略のテストに関するフォーラム
トレーディングにおける機械学習:理論、モデル、実践とアルゴトレーディング
mytarmailS、2023.08.16 13:23
一般的に、1000種類のTSがあるとします。
ステップ1と2
1) 良いTSを最適化/検索し始める。これがトレーン データ(フィッティング/検索/最適化)である。
例えば、TCが儲かるバリアントを300個見つけたとします。
2) さて、あなたはこの300のバリアントの中からOOSに合格するTCをテスト データとして探しています。あなたはトレーンと テスト(OOS)の両方で稼げるTCを10個見つけたとします。
では、ポイント2は何でしょうか?
最適化の条件が1つ(トレードに合格すること)ではなく、2つ(テストに合格すること+ トレードに合格すること)になっているから です。
10億のTC、3億のTCのバリアントが見つかり、訓練されたサンプルで儲かるとします - これがp.1です。
p.1.では、最適化はあるフィットネス関数で行われます。p.1.では、あるフィットネス関数で最適化が行われる。つまり、最適化は大域的な最大値を見つけることに関係する。これがp.1.のすべてだ。
トレーディング、自動売買システム、トレーディング戦略のテストに関するフォーラム。
トレーディングにおける機械学習:理論、モデル、実践とアルゴリズム取引
fxsaber、2023.08.19 01時32分
(train+test)_optimよりも train_optim + test_forward モデルの方が信頼できると思いますか?
つまり、最も純粋な形でのフィットです。
しかし、後者の 場合、フィットとは言えません。
同じアルゴリズムで、OOSが機能しているモデルもそうでないモデルも、まったく同じ方法で得ることができる。シンボルは同じで、新たなランダム化は加えられていない。
同じシンボルでトレーニングを行ったことはありません。明らかに、ランダム化クラウドにはどのような特徴を持つ系列もあります。
前が悪く、後ろが良い。逆の状況もまったく同じだ。ただ、今はまだ再構築をあまりしていない。
あなたの主張だ。
10億のTCがあり、3億のTCバリアントが見つかり、訓練されたサンプルでは儲かる。
p.1.では、最適化はあるフィットネス関数で行われます。この値が高いほど、フィットネスが高いとみなされる。つまり、最適化は大域的な最大値を見つけることに関係している。これがp.1.である。
つまり純粋なフィッティングです。
2番目の 方法はフィッティングではありません。
。失礼しました。
複数の特性についてトレーニングを受けたことがある。明らかに、無作為化クラウドでは、任意の特性を持つ行があります。
問題はないだろう。これらのTSはすべてランダム化されており、非定常市場で取引されているからだ。しかし、いくつかのバリエーションは、いくつかの観点から利益をもたらすことができます。
そう。
何度も、何文字も走らなければならない。
上に私のオーバーサンプラーの例を示しました。これは同じ行からランダムにトレーニング用のサンプルを取り出すだけで、OOSの結果は常に異なる。
実際のシンボルではそのような効果はありません。私は最適化区間の40%を選びますが、それ以降はOOSの結果は非常に似ています。
これがランダム化に選んだシンボルで、そのトレーニング・グラフ です。
OOSでもまったく同じように鋭いディップが見られる。
私はいつもそれを見ているわけではありません。
実際のシンボルではそのような効果は見られない。私は最適化間隔の40%を選択し、その後はOOSで非常によく似た結果が得られました。
これがランダム化に選んだシンボルで、そのトレーニング・グラフ です。
私はいつもそれを見ているわけではありません。
それでも、刻みの中にもっとアルファがあるということだ。素早く検索する方法を見つけた(MOを使うと非常に長くなる)。後で結果を発表するつもりだ。