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 397 1...390391392393394395396397398399400401402403404...3399 新しいコメント Mihail Marchukajtes 2017.06.11 06:47 #3961 ミハイル・マルキュカイツ 短縮版で、これはすぐ上に掲載したセット結果です。 しかし、今回も最適化するのにほぼ1日かかりました。 СанСаныч Фоменко 2017.06.11 06:47 #3962 Dr.トレーダー重要度評価の結果は、以下の通りです。表中の予測値は高いほど良い。VVolum6, VDel1, VVolum9, VQST10 のみが合格しました。rattleでは、この4つの予測因子に対して一度に6つのモデルを構築することができ、SVMは検証データとテストデータで約55%の精度を示しています。悪くないですね。 ソースファイルを入手することは可能ですか?この結果を私のアプローチと比較したいのです。この6つの予測因子で55%という結果は、非常に悪いものです。 Mihail Marchukajtes 2017.06.11 06:49 #3963 サンサニッチ・フォメンコ ソースファイルを入手することは可能ですか?この結果を私のアプローチと比較したいのです。この6つの予測因子で55%という結果は、非常に悪いものです。 ファイル: BuySell.txt 368 kb Maxim Dmitrievsky 2017.06.11 06:51 #3964 ミハイル・マルキュカイツ しかし、それにしても、最適化するのに24時間近くかかりましたね。 えー...いや、15分間何か必要なんだ :) その後、予測変数の半分を削除する。 Forester 2017.06.11 06:52 #3965 ミハイル・マルキュカイツ 正直なところ、どのように整理されているのかすらわかりません。こんな感じでしょうか。サンプルは、テスト用とトレーニング用の2つに分かれています。1つのグリッドは、片方で学習し、もう片方でテストする。一方、別のものは、2番目のもので訓練し、1番目のものでテストし、その結果を合計して全体の結果を計算する、ただそれだけのことですIMHOこの方法論は、どんな機械学習にも適用できる。 マキシムは話題になっているのでしょうか?レシェトフの分類器は、やはりネットワークではなく、単一ニューロンなのでしょうか?それともレシェトフ・ニューロンのネットワークなのでしょうか? Mihail Marchukajtes 2017.06.11 06:55 #3966 でも、みんなに声をかけたいんです。05.29からのビッグセットにはデータがありません。 つまり、フルで教えてモデルを取得し、そのモデルをMKULにロードして、この2週間でどのようなパフォーマンスが出るかを見ることができます。これは、モデルの性能の指標となるものです。つまり、最小限のドローダウンでより多くの利益を得たモデル、それが勝ちなのです。短縮されたセットを最適化し、モデルは次のように動作しました。あなたのモデルがこの分野でどのようなパフォーマンスを発揮するのか、見てみましょう。 Mihail Marchukajtes 2017.06.11 06:57 #3967 マキシム・ドミトリエフスキー えーと...いや、15分間何か必要なんだ :) そしたら、予想者の半分を削除するよ。 そして、del,vdel,volun,vvolumを残す。 Maxim Dmitrievsky 2017.06.11 06:57 #3968 エリブラリウスこの方法論は、すべての機械学習に適用されます。 もしかしてマキシムも対象? 彼のホームページのリンクをあげたら、モデルの説明があるんだ。どう特徴づけしたらいいのかわからないくらい、Nuclear Machine + Vector Machineと書いてあるんです。mt5版+optimizerで重みを選択するのではなく、相手とトレーニングするよりもそこは複雑ですが、各予測子に対して同じ重みを出力しています。 Mihail Marchukajtes 2017.06.11 07:05 #3969 ここで少し夢をみてみましょう。最適化用に100コアのマシンを用意し、452行のフルセットデータセットとフルセットのカラムを実行し、おおよその時間でオプティマイザがすべてを計算したとしましょう。まず、入力変数が10-12個以上になり、多項式のサイズも かなり大きくなります。それが何を物語るのか。モデルが多くの市場要因を考慮したマルチパラメトリックであること(1つのモデルに基づいて市場を予測するのは(例として)馬鹿げているので、これは原理的にかなり関係があります)。多項式の長さは、そのモデルが非常に柔軟であることを示唆するだろう。最終的にこのモデルは、バランスカーブが45度の角度で上向きになり、急な切れや谷がない場合に、適切な品質で長く使えるようになります。それは夢のような話ではないでしょうか?そして、ビッグセットについては、6月の先物取引全体がそこに集まっていると言うことです。つまり、このデータでモデルを訓練し、訓練とテストで良い結果を出せば、このモデルは先物取引の全体を学習したことになり、一生使えるようになります。次の契約も、アウトプットとインプットの関係はまったく同じになるIMHO。ミスしても長く使える、グレイルのような形ですね。そして、年間のデータでネットワークを訓練すれば、適切なレベルの品質で、市場について知ることができます。こんな感じかな. Forester 2017.06.11 07:07 #3970 ミハイル・マルキュカイツ そうですね、旧バージョンと基本的な考え方しかないですね。しかし、実践が示すように、2グリッド方式は汎化能力を大幅に向上させる。オプティマイザーの結果は、以下のファイルです。2つのグリッドとそれぞれのグリッドで異なる正規化を行い、最後の最後で結果を結合しているのがわかります。だから、レシェトフは良い製品を作ったのだから、正直言って批判してはいけなかった・・・・。ファイルを見てみると、8つの係数があり、入力は23、つまり3つの入力で動作するニューロンがあることがわかります。24時間、100のうちどの3つの入力をこの神経細胞に送るかをカウントするプログラムだと思います。ニューロンは最低でも10入力まで拡張されていると思ったのですが...。getBinaryClassificator1(x0, x1, x2, x3, x4, x5, x6, x7); 1...390391392393394395396397398399400401402403404...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
短縮版で、これはすぐ上に掲載したセット結果です。
しかし、今回も最適化するのにほぼ1日かかりました。
重要度評価の結果は、以下の通りです。表中の予測値は高いほど良い。VVolum6, VDel1, VVolum9, VQST10 のみが合格しました。
rattleでは、この4つの予測因子に対して一度に6つのモデルを構築することができ、SVMは検証データとテストデータで約55%の精度を示しています。悪くないですね。
ソースファイルを入手することは可能ですか?この結果を私のアプローチと比較したいのです。
この6つの予測因子で55%という結果は、非常に悪いものです。
ソースファイルを入手することは可能ですか?この結果を私のアプローチと比較したいのです。
この6つの予測因子で55%という結果は、非常に悪いものです。
しかし、それにしても、最適化するのに24時間近くかかりましたね。
えー...いや、15分間何か必要なんだ :) その後、予測変数の半分を削除する。
正直なところ、どのように整理されているのかすらわかりません。こんな感じでしょうか。サンプルは、テスト用とトレーニング用の2つに分かれています。1つのグリッドは、片方で学習し、もう片方でテストする。一方、別のものは、2番目のもので訓練し、1番目のものでテストし、その結果を合計して全体の結果を計算する、ただそれだけのことですIMHO
この方法論は、どんな機械学習にも適用できる。
マキシムは話題になっているのでしょうか?
レシェトフの分類器は、やはりネットワークではなく、単一ニューロンなのでしょうか?それともレシェトフ・ニューロンのネットワークなのでしょうか?
でも、みんなに声をかけたいんです。05.29からのビッグセットにはデータがありません。 つまり、フルで教えてモデルを取得し、そのモデルをMKULにロードして、この2週間でどのようなパフォーマンスが出るかを見ることができます。これは、モデルの性能の指標となるものです。つまり、最小限のドローダウンでより多くの利益を得たモデル、それが勝ちなのです。短縮されたセットを最適化し、モデルは次のように動作しました。
あなたのモデルがこの分野でどのようなパフォーマンスを発揮するのか、見てみましょう。
えーと...いや、15分間何か必要なんだ :) そしたら、予想者の半分を削除するよ。
そして、del,vdel,volun,vvolumを残す。
この方法論は、すべての機械学習に適用されます。
もしかしてマキシムも対象?
彼のホームページのリンクをあげたら、モデルの説明があるんだ。どう特徴づけしたらいいのかわからないくらい、Nuclear Machine + Vector Machineと書いてあるんです。mt5版+optimizerで重みを選択するのではなく、相手とトレーニングするよりもそこは複雑ですが、各予測子に対して同じ重みを出力しています。
ここで少し夢をみてみましょう。最適化用に100コアのマシンを用意し、452行のフルセットデータセットとフルセットのカラムを実行し、おおよその時間でオプティマイザがすべてを計算したとしましょう。
まず、入力変数が10-12個以上になり、多項式のサイズも かなり大きくなります。それが何を物語るのか。モデルが多くの市場要因を考慮したマルチパラメトリックであること(1つのモデルに基づいて市場を予測するのは(例として)馬鹿げているので、これは原理的にかなり関係があります)。多項式の長さは、そのモデルが非常に柔軟であることを示唆するだろう。最終的にこのモデルは、バランスカーブが45度の角度で上向きになり、急な切れや谷がない場合に、適切な品質で長く使えるようになります。それは夢のような話ではないでしょうか?
そして、ビッグセットについては、6月の先物取引全体がそこに集まっていると言うことです。つまり、このデータでモデルを訓練し、訓練とテストで良い結果を出せば、このモデルは先物取引の全体を学習したことになり、一生使えるようになります。次の契約も、アウトプットとインプットの関係はまったく同じになるIMHO。ミスしても長く使える、グレイルのような形ですね。そして、年間のデータでネットワークを訓練すれば、適切なレベルの品質で、市場について知ることができます。こんな感じかな.
そうですね、旧バージョンと基本的な考え方しかないですね。しかし、実践が示すように、2グリッド方式は汎化能力を大幅に向上させる。オプティマイザーの結果は、以下のファイルです。2つのグリッドとそれぞれのグリッドで異なる正規化を行い、最後の最後で結果を結合しているのがわかります。
だから、レシェトフは良い製品を作ったのだから、正直言って批判してはいけなかった・・・・。
ファイルを見てみると、8つの係数があり、入力は23、つまり3つの入力で動作するニューロンがあることがわかります。24時間、100のうちどの3つの入力をこの神経細胞に送るかをカウントするプログラムだと思います。ニューロンは最低でも10入力まで拡張されていると思ったのですが...。
getBinaryClassificator1(x0, x1, x2, x3, x4, x5, x6, x7);