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 322 1...315316317318319320321322323324325326327328329...3399 新しいコメント Dr. Trader 2017.05.07 15:18 #3211 マキシム・ドミトリエフスキーフォワードはプロフィットファクターが最も高いもので、バックテストもほぼ同じになるはずで、このパラメータに基づいてグリッドが正常な予測を行うことができることを意味します。いいえ、そんなことはありません。フォワードは実際の取引における潜在的な利益を示しているに過ぎない。バックテストの最も良い結果を取って、そのフロントテストを見る - それはあなたが稼ぐだろうものです。 最適化中に少なくとも1つの収益性の高いフォワードバリアントを得ることもできますが、そのようなEAはどんなに最適化してもクラッシュします。Geneticsは10000以上のパラメータを選択し、そのうちのいくつかはバックテストとフロントテストの両方で常に利益を上げているが、それは単なる偶然である。フォワードは、EAを作成/変更するためのコントロールとして使用することができます - これらの3つのrsiパラメータを何か他のものに置き換え、遺伝的にパラメータの新しい最適値を見つけ、フォワードで何が起こったかを見てください。バックテストの結果がフォワードの結果と一致し、これが異なる時間間隔での最適化の間に起こるなら、EAはOKです。 フォワードは長すぎず、ほとんどすべてのEAが追加の最適化なしに長い間隔で負けます。例えば、バックテストは2ヶ月、フロントテストは1週間あれば十分です。マキシム・ドミトリエフスキー私はまだよく理解していない正規化関数は、50の代わりに5000バーの配列を取るために、それは最初から、より正確な最大値と最小値を見つけると、テストの最初の段階では、我々はエントリのために非常に正しく正規化された値を受け取るので、時間と共にそれらを更新しない方がよい場合、後でより正確にはい、5000でより精度が上がります。また、Expert Advisor の起動や端末の再起動などによる実際の取引では、min と max の値はリセットされます。すべての最適化が失われます。デポジットは破棄されます。 例えば、何も足さない純粋な線形回帰の結果を単純に1000倍して、0.5を足しただけなんです。結果はほとんど常に[0;1]になり(制限を超えた場合は、後でログにエラーを出力して倍率を下げます)、中心は常に0.5になり、決して失敗することはないでしょう。マキシム・ドミトリエフスキー私は計量経済学 が苦手で、今はビデオクリップを見るだけなので、例えば回帰勾配や定常系列の自己相関をどのように改善すればよいのか、まだよく分かりませんが...。定常系列の回帰勾配はゼロになるので、それを探す必要はない。一般的には、直近のN本のバーから現在のトレンドの傾きを求めるのであれば、線形回帰でOKで、コード上ではすでにすべてがうまくいっています。 自己相関は単一の値ではなく、長いベクトル(ラグ1との相関、ラグ2との相関、ラグ3との相関など)であるため、やや不明瞭であろう。これらの値はすべて、RNNに収まらない。 Maxim Dmitrievsky 2017.05.07 15:38 #3212 Dr.トレーダー定常系列の回帰の傾きはゼロになるので、それを探す必要はない。一般的に言って、過去N本のバーで現在のトレンドの傾きを求めるのであれば、線形回帰でOK、全てはすでにコードで良いのです。 自己相関は単一の値ではなく、長いベクトル(ラグ1との相関、ラグ2との相関、ラグ3との相関など)であるため、やや不明瞭であろう。これらの値はすべて、RNNに収まらない。 いやいや、正規のチャートでREGの傾きを計算して、デトレンドで自己相関を探したり、サイクルの周期性を0から1に移したり、今いるサイクルの位相のようにすなわち、入力では回帰の傾きという形で方向性を持ち、その方向性の内側で循環性を持っている Dr. Trader 2017.05.07 15:38 #3213 マキシム・ドミトリエフスキー: また、RNNをMLPのオートエンコーダのようなものとして使うという考え方はどうでしょうか?このフレーズは何かかなり間違っていますね :)オートエンコーダーとは、 1) あるベクトル(例えば頂点列)を受け取り、より短い長さの別のベクトルを出力することができるニューロンである。損失が少ないデータ圧縮の一種。 2) 先に得られた短いベクトルデータを取り出し、そこからオリジナルデータ(第1ステップの損失によってはほぼオリジナル)を再構築する。それが減圧です。実際の例:BMP形式の画像を持っている場合、その形式は多くのディスクスペースを必要とします。オートエンコーダーは、そのピクセルを取り込んで、新しいピクセルのベクトルを私たちに返します。同じ画像ですが、ディスク容量が少なく、少し曇っています。 そして、JPGからBMPに戻そうと思えば戻せるのですが、元の明るさ、輝きは戻ってきません。 JPGのアルゴリズムをニューロニックに落とし込むことはできないと思います。この例はわかりやすくするためのものです。RNNは、時系列ではなく、この場合RSIを取り込み、元の価格が復元できないような1つの値だけを返します。マキシム・ドミトリエフスキー: いやいや、REGの傾きはノーマルチャートで計算し、自己相関はデトレンドで探す。今のサイクルがどの段階なのか、0から1までの周期性かもしれない。すなわち、出力は回帰勾配の形で方向性を持ち、この方向性の内側に周期性を持つことになる ああ、なるほどね。 Maxim Dmitrievsky 2017.05.07 15:45 #3214 Dr.トレーダーこのフレーズは何かかなり間違っていますね :)さて、RNNはまず時系列ではなく、この場合はRSIを取り込み、1つの値しか返さないので、元の価格を復元することができません。しかし、3つのrsiの読み方を再構築することができます :) それはただそれらを圧縮して確率を出しただけですよね?)オートエンコーダーも情報損失がある...その違いがまだ理解できていない。Mbの違いは純粋にアーキテクチャの違いであり、私たちは一種の簡易版を持っています。 СанСаныч Фоменко 2017.05.07 16:23 #3215 ユーリイ・アサウレンコ も見てみた。イモト これは私たちのテーマではありません。 EURUSDのM1用の出版物を見たことがあるのですが、なぜですか?ルガークを見なければならないこのGARCNはたくさんあります。モデル自体、平均の種類、残差分布の種類という3つのグループのパラメータを持っています。パラメータの種類ごとに、最新ののぞき見をする。デトレンドについては前述のとおりです。そこでGARCHではARFIMA、すなわち分数微分(Hurst)を用いてデトレンドを行います。 Maxim Dmitrievsky 2017.05.07 16:45 #3216 サンサニッチ・フォメンコ さて、なぜかというと、EURUSDのM1用の出版物を見たことがあるのですが、どのくらい先なのでしょうか。ルガークを見なければならないこのGARCNはたくさんあります。モデル自体、平均の種類、残差分布の種類という3つのグループのパラメータを持っています。パラメータの種類ごとに、最新ののぞき見をする。デトレンドについては前述のとおりです。そこでGARCHでは、ARFIMA、すなわち分数微分(Hurst)を用いてデトレンドを行うことにしています。 さて、ガーチをグリッドに入れるにはどうしたらいいのでしょうか? ある指標を入力するのと同じです。結局のところ、グリッド自身が自分の中でモデルを作成する必要があります СанСаныч Фоменко 2017.05.07 17:01 #3217 マキシム・ドミトリエフスキー さて、グリッドにゴミを入れるにはどうしたらいいのでしょうか?結局、グリッド自体が自分の中にモデルを作るべきなのです。 まともなものをまともなものに押し付けてはいけない。 Maxim Dmitrievsky 2017.05.07 17:04 #3218 サンサニッチ・フォメンコ 網に唾をつけ、不味いものにまともなものを突っ込まない いや、遊びでやったほうがいい、ネタの使い道が見つかる可能性は絶対ある СанСаныч Фоменко 2017.05.07 17:06 #3219 Maxim Dmitrievsky: いや、あくまで興味の問題で、メッシュのアプリケーションを考えることは明らかに可能です。 すべての機械学習と NSモデルは、ターゲット関数に適合させなければならない予測変数に極度に依存している。これらはすべて、上記で何度も議論されてきたことです。主にデータマイニングに力を入れており、グリッドそのものはあまり重要ではありません。 Maxim Dmitrievsky 2017.05.07 17:08 #3220 サンサニッチ・フォメンコ すべての機械学習とNSモデルは、ターゲット関数に適合させなければならない予測変数に極度に依存している。これらはすべて、上記で何度も議論されてきたことです。主にデータマイニングに力を入れており、グリッドそのものはあまり重要ではありません。 上で予測変数の変種を議論しようとしていたところです :) やってみます、チェ 1...315316317318319320321322323324325326327328329...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
フォワードはプロフィットファクターが最も高いもので、バックテストもほぼ同じになるはずで、このパラメータに基づいてグリッドが正常な予測を行うことができることを意味します。
いいえ、そんなことはありません。フォワードは実際の取引における潜在的な利益を示しているに過ぎない。バックテストの最も良い結果を取って、そのフロントテストを見る - それはあなたが稼ぐだろうものです。
最適化中に少なくとも1つの収益性の高いフォワードバリアントを得ることもできますが、そのようなEAはどんなに最適化してもクラッシュします。Geneticsは10000以上のパラメータを選択し、そのうちのいくつかはバックテストとフロントテストの両方で常に利益を上げているが、それは単なる偶然である。
フォワードは、EAを作成/変更するためのコントロールとして使用することができます - これらの3つのrsiパラメータを何か他のものに置き換え、遺伝的にパラメータの新しい最適値を見つけ、フォワードで何が起こったかを見てください。バックテストの結果がフォワードの結果と一致し、これが異なる時間間隔での最適化の間に起こるなら、EAはOKです。 フォワードは長すぎず、ほとんどすべてのEAが追加の最適化なしに長い間隔で負けます。例えば、バックテストは2ヶ月、フロントテストは1週間あれば十分です。
私はまだよく理解していない正規化関数は、50の代わりに5000バーの配列を取るために、それは最初から、より正確な最大値と最小値を見つけると、テストの最初の段階では、我々はエントリのために非常に正しく正規化された値を受け取るので、時間と共にそれらを更新しない方がよい場合、後でより正確に
はい、5000でより精度が上がります。また、Expert Advisor の起動や端末の再起動などによる実際の取引では、min と max の値はリセットされます。すべての最適化が失われます。デポジットは破棄されます。
例えば、何も足さない純粋な線形回帰の結果を単純に1000倍して、0.5を足しただけなんです。結果はほとんど常に[0;1]になり(制限を超えた場合は、後でログにエラーを出力して倍率を下げます)、中心は常に0.5になり、決して失敗することはないでしょう。
私は計量経済学 が苦手で、今はビデオクリップを見るだけなので、例えば回帰勾配や定常系列の自己相関をどのように改善すればよいのか、まだよく分かりませんが...。
定常系列の回帰勾配はゼロになるので、それを探す必要はない。一般的には、直近のN本のバーから現在のトレンドの傾きを求めるのであれば、線形回帰でOKで、コード上ではすでにすべてがうまくいっています。
自己相関は単一の値ではなく、長いベクトル(ラグ1との相関、ラグ2との相関、ラグ3との相関など)であるため、やや不明瞭であろう。これらの値はすべて、RNNに収まらない。
定常系列の回帰の傾きはゼロになるので、それを探す必要はない。一般的に言って、過去N本のバーで現在のトレンドの傾きを求めるのであれば、線形回帰でOK、全てはすでにコードで良いのです。
自己相関は単一の値ではなく、長いベクトル(ラグ1との相関、ラグ2との相関、ラグ3との相関など)であるため、やや不明瞭であろう。これらの値はすべて、RNNに収まらない。
いやいや、正規のチャートでREGの傾きを計算して、デトレンドで自己相関を探したり、サイクルの周期性を0から1に移したり、今いるサイクルの位相のように
すなわち、入力では回帰の傾きという形で方向性を持ち、その方向性の内側で循環性を持っている
また、RNNをMLPのオートエンコーダのようなものとして使うという考え方はどうでしょうか?
このフレーズは何かかなり間違っていますね :)
オートエンコーダーとは、
1) あるベクトル(例えば頂点列)を受け取り、より短い長さの別のベクトルを出力することができるニューロンである。損失が少ないデータ圧縮の一種。
2) 先に得られた短いベクトルデータを取り出し、そこからオリジナルデータ(第1ステップの損失によってはほぼオリジナル)を再構築する。それが減圧です。
実際の例:BMP形式の画像を持っている場合、その形式は多くのディスクスペースを必要とします。オートエンコーダーは、そのピクセルを取り込んで、新しいピクセルのベクトルを私たちに返します。同じ画像ですが、ディスク容量が少なく、少し曇っています。
そして、JPGからBMPに戻そうと思えば戻せるのですが、元の明るさ、輝きは戻ってきません。
JPGのアルゴリズムをニューロニックに落とし込むことはできないと思います。この例はわかりやすくするためのものです。
RNNは、時系列ではなく、この場合RSIを取り込み、元の価格が復元できないような1つの値だけを返します。
マキシム・ドミトリエフスキー:
いやいや、REGの傾きはノーマルチャートで計算し、自己相関はデトレンドで探す。今のサイクルがどの段階なのか、0から1までの周期性かもしれない。
すなわち、出力は回帰勾配の形で方向性を持ち、この方向性の内側に周期性を持つことになる
このフレーズは何かかなり間違っていますね :)
さて、RNNはまず時系列ではなく、この場合はRSIを取り込み、1つの値しか返さないので、元の価格を復元することができません。
しかし、3つのrsiの読み方を再構築することができます :) それはただそれらを圧縮して確率を出しただけですよね?)
オートエンコーダーも情報損失がある...その違いがまだ理解できていない。Mbの違いは純粋にアーキテクチャの違いであり、私たちは一種の簡易版を持っています。
も見てみた。イモト これは私たちのテーマではありません。
EURUSDのM1用の出版物を見たことがあるのですが、なぜですか?
ルガークを見なければならない
このGARCNはたくさんあります。モデル自体、平均の種類、残差分布の種類という3つのグループのパラメータを持っています。パラメータの種類ごとに、最新ののぞき見をする。デトレンドについては前述のとおりです。そこでGARCHではARFIMA、すなわち分数微分(Hurst)を用いてデトレンドを行います。
さて、なぜかというと、EURUSDのM1用の出版物を見たことがあるのですが、どのくらい先なのでしょうか。
ルガークを見なければならない
このGARCNはたくさんあります。モデル自体、平均の種類、残差分布の種類という3つのグループのパラメータを持っています。パラメータの種類ごとに、最新ののぞき見をする。デトレンドについては前述のとおりです。そこでGARCHでは、ARFIMA、すなわち分数微分(Hurst)を用いてデトレンドを行うことにしています。
さて、ガーチをグリッドに入れるにはどうしたらいいのでしょうか? ある指標を入力するのと同じです。結局のところ、グリッド自身が自分の中でモデルを作成する必要があります
さて、グリッドにゴミを入れるにはどうしたらいいのでしょうか?結局、グリッド自体が自分の中にモデルを作るべきなのです。
まともなものをまともなものに押し付けてはいけない。
網に唾をつけ、不味いものにまともなものを突っ込まない
いや、遊びでやったほうがいい、ネタの使い道が見つかる可能性は絶対ある
いや、あくまで興味の問題で、メッシュのアプリケーションを考えることは明らかに可能です。
すべての機械学習とNSモデルは、ターゲット関数に適合させなければならない予測変数に極度に依存している。これらはすべて、上記で何度も議論されてきたことです。主にデータマイニングに力を入れており、グリッドそのものはあまり重要ではありません。
上で予測変数の変種を議論しようとしていたところです :) やってみます、チェ