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 444

[Maxim Dmitrievsky]

ユーリイ・アサウレンコ

そうなんです、この3ヶ月間、先物が取引されているのは、前回の満期直前と直後なんです。さっき見て、どうこうしようというのは無駄なことです。

マキシム（あるいは彼のシステム）は、当たり前のことに気づいている。

まだ始まっていない先物のことではなく、ボラティリティや流動性のように、新しい契約ではパターンが変わり、市場の反応も変わるということに表れている、契約期間に関係するであろう周期的な振る舞いのことです。ちなみに目には見えないが、統計解析でわかる。しかし、それがメインではなく、市場は他の循環性に満ちているのです。問題は、自動的な収益性の損失がなく、システムが再構築されることである。というか、手動で何もしなくていいんだ、面倒くさい...。

[Vladimir Perervenko]

マキシム・ドミトリエフスキー
:)) まだ始まっていない先物のことではなく、おそらく契約期間に関係する周期的な挙動、つまりボラティリティや流動性のように、新しい契約ではパターンが変わり、市場の反応も変わってくるということです。ちなみに目には見えないが、統計解析でわかる。しかし、それがメインではなく、市場は他の循環性に満ちているのです。問題は、自動的な収益性の損失がなく、システムが再構築されることである。というか、手動で何もしなくていいんだ、面倒くさい...。

EAの品質を定義するパラメータを入力し、その値が設定した限界値を下回ると、モデルを再トレーニングします。これらはすべて、動作状態を保ったままRで行うことができます。

何が問題なのか？

[Yuriy Asaulenko]

注目!Rに誤りがある可能性があります。

つい最近も、ヒストグラムを作っていました。数時間やってましたが、スクリプトは一切書かず、全てコマンドラインです。コードを掲載するためだけに、何時間も実験を繰り返す気はない。

では、ヒストグラムを作ってみましょう。ヒストグラムでは、ある範囲に系列の値が見つかる確率は0.22と表示されます。これはいいのですが、ヒストグラム自体が違うようです。それを合計すると、本来あるべき1ではなく、0.59となる。

次に、一様分布の ランダムプロセスの標本について、同じヒストグラムをプロットします。ここですべてが収束し、和はあるべき姿の1になる。どうですか？

なるほど、Rで同じことをするには、いろいろな方法があるんですね。別の方法でやってみましょう。0.22から0.43を求めることはできないからである（和は0.59）。

ヒストグラムの値を合計すると0.991になります。1に等しくなければならないことを念押ししておく。すべて正しくても、1％の誤差が生じるのです。これはとんでもない間違いであり、単純にあり得ないことです。

そういうことがあると、なんとなくRの信頼性が、、、下がってしまう。また、他の計算やより複雑なアルゴリズムについても同様であれば、確認はそう簡単ではなく、しばしば不可能です。

[СанСаныч Фоменко]

ユーリイ・アサウレンコ

注目!Rに誤りがある可能性があります。

つい最近も、ヒストグラムを作っていました。何時間もかけて、スクリプトも書かず、すべてコマンドラインでやっているんです。コードを掲載するためだけに、何時間も実験を繰り返す気はない。

では、ヒストグラムを作ってみましょう。ヒストグラムを見ると、ある範囲に系列の値が見つかる確率は0.22です。これはいいのですが、ヒストグラム自体はそうではなさそうです。それを合計すると、本来あるべき1ではなく、0.59となる。

次に、一様分布のランダムプロセスの標本について、同じヒストグラムをプロットします。ここですべてが収束し、和はあるべき姿の1になる。どうですか？

なるほど、Rで同じことをするには、いろいろな方法があるんですね。別の方法でやってみましょう。0.22から0.43を得る方法（和が0.59）はないので、ありえません。

ヒストグラムの値を合計すると0.991になります。1に等しくなければならないことを念押ししておく。すべて正しくても、1％の誤差が生じるのです。これはとんでもない間違いであり、単純にあり得ないことです。

そういうことがあると、なんとなくRの信頼性が、、、下がってしまう。また、他の計算やより複雑なアルゴリズムと同じであれば、確認はそう簡単ではなく、しばしば不可能です。

何か見たいです。

定期的に棒グラフを作っているが、何も気づいていない。

[Vladimir Perervenko]

ユーリイ・アサウレンコ

注目!Rに誤りがある可能性があります。

つい最近も、ヒストグラムを作っていました。何時間もかけて、スクリプトも書かず、すべてコマンドラインでやっているんです。コードを掲載するためだけに、何時間も実験を繰り返す気はない。

では、ヒストグラムを作ってみましょう。ヒストグラムを見ると、ある範囲に系列の値が見つかる確率は0.22です。これはいいのですが、ヒストグラム自体はそうではなさそうです。それを合計すると、本来あるべき1ではなく、0.59となる。

次に、一様分布のランダムプロセスの標本について、同じヒストグラムをプロットします。ここですべてが収束し、和はあるべき姿の1になる。どうですか？

なるほど、Rで同じことをするには、いろいろな方法があるんですね。別の方法でやってみましょう。0.22から0.43を求めることはできないからである（和は0.59）。

ヒストグラムの値を合計すると0.991になります。1に等しくなければならないことを念押ししておく。すべて正しくても、1％の誤差が生じるのです。これはとんでもない間違いであり、単純にあり得ないことです。

そういうことがあると、なんとなくRの信頼性が、、、下がってしまう。また、他の計算やより複雑なアルゴリズムと同じであれば、確認はそう簡単ではなく、しばしば不可能です。

再現性のある事例がなければ、空虚な音になってしまいます。基本関数の誤差確率は0以下であり、明らかに長時間の実験が効いている。ヒストリーからコマンド列を引き出せないのか？それとも、Rstudioで練習していないのでしょうか？

[Yuriy Asaulenko]

Vladimir Perervenko:

再現性のある事例がなければ、何もできない。基本的な関数の誤差は0以下です。ヒストリーからコマンド列を引き出せないのか？それとも、Rstudioで練習していないのでしょうか？

In R 3.4.1 c https://www.r-project.org/

シーケンスを再現するだけで最低1時間半はかかる（もういらないけど）。もちろん、結果をフォーラムに掲載するためだけにやるわけではありません。昨日、すべてが、残念ながら、私はスレッドに書き込むことを考えなかったとき。

だから、できるだけ正確に、何も述べずに書いたのです--Attention!Rに 誤りが ある可能性が あります。 Not have, namely may be.)一般的に、私は主張しない。良いと思えば、そうなのです。

ヒストグラムをプロット したときに、ある系列では明らかに存在するのですが、他の系列では存在しないように見えるのが興味深いところです。結局、Excelに移動して、そこですべてを終わらせることになりました。

PS はい、RStudioについて思い出させてくれてありがとうございます。すでに持っています。イマイチ、CADのRより便利になりそうです。

[Vizard_]

Yuriy Asaulenko：面白いのは、ヒストグラムを描くときに、ある行では 明らかに存在するのですが、別の行では存在しないように見えることです。

setwd("D:/") # 作業ディレクトリの設定
x <- read.csv("x.csv", head=T) # データファイルの読み込み
sapply(x, class) # 変数の内容がどのクラスに属するか

[Maxim Dmitrievsky]

ウラジミール・ペレヴェンコ

EAの品質を定義するパラメータを入力し、その値が設定した限界値を下回ると、モデルを再トレーニングします。これらはすべて、動作状態を保ったままRで行うことができます。

何が問題なのか？

Rはボット開発には全く役に立たないので使ってません :)統計が必要な場合は、それを行うことができます。他のすべてはmt5で行われ、dllとして直接使用することができるneuronetライブラリを含みます。

[Vladimir Perervenko]

マキシム・ドミトリエフスキー
Rはボットの開発には全く役に立たないので使っていません :)ある種の統計が必要な場合はそうかもしれませんが、他のすべてはmt5で行われ、DLLとして直接使用できるニューラルネットワークのライブラリもあります。

明らかにRは必要ないでしょう。グッドラック

-----------------------

サンサンチ。

リグレッション問題に切り替わったので、こちらを ご覧ください。

グッドラック

[СанСаныч Фоменко]

ウラジミール・ペレヴェンコ

明らかにRは必要ないでしょう。グッドラック

-----------------------

サンサンチ。

リグレッション問題に切り替わったので、こちらを ご覧ください。

グッドラック

GARCHという非常に特殊なモデルをマスターしようとしています。原系列を構成要素に分解し、その構成要素を個別にモデル化する点に魅力を感じます。そして分解は直感的に理解でき、モデルの再トレーニングに直結しています。私はモデルの再トレーニング機能にのみ興味があるので（TAでは再トレーニングされたExpert Advisorを最長6ヶ月のライフタイムで作成できます）、それがGARCHの選択の決め手となりました。

NSでは、太いテールやキンクを許容するようなアプローチは意識していません...。NSモデルそのものは、本来のコタツの問題とは全く関係ないように思います。

GARCHの場合、モデルを当てはめながら、将来、出来上がったモデルが学習データと全く同じ振る舞いをするという根拠となるテストを実行することができます。90%以上の確率でパラメータを持つGARCHのフィッティングができない。