This part of the NEAT tutorial will show how to use the RNeat package (not yet on CRAN) to solve the classic pole balance problem. The simulation requires the implementation of 5 functions: processInitialStateFunc – This specifies the initial state of the system, for the pole balance problem the state is the cart location, cart velocity, cart...
よし、歴史上とても良い取引実績だ!おめでとうございます。
一つの予測変数の範囲から複数の予測変数を作るにはどうしたらよいでしょうか。理解できない。
ああ、とてもシンプルですね）クラスタリング...。
1) 各予測子を取り上げ，それをたとえば50のクラスタにクラスタリングしよう（さらに，クラスタリングは2つのタイプで行うことができ，また行うべきである。 1) 予測子を数値によってクラスタリングする「そのままの」クラスタ化と2) 正規化した予測子を画像としてクラスタリングする2) の2つのタイプ） 一緒にすると，人間の視覚としてすべてがわかるようになり，予測子の数値「実際の」値だけではなく，画像（曲線や傾斜）もわかるだろう。
2) 列がクラスタであるテーブルを作成 し、50クラスタ ---> 50列 ---> 50予測変数、いくつかのアルゴリズムを使ってこれらの予測変数の重要性をチェックし、50予測変数のうち1-5個だけが重要であることがわかったので、それらを維持します。
3) 次の予測子を取り、それらをクラスタリングし、ステップ1、2を繰り返す。
このような予測器内部での選択により、理論的には認識品質は数桁向上するはずである...
が、デメリットもある
1）高価な計算
2) もしすべての予測変数が1つずつ分割され、その内容が他の予測変数の内容から別々に評価されるなら、予測変数間の相関を評価することは不可能であり、何らかの解決策が必要であろう。
ああ、とてもシンプルですね）クラスタリング...。
1) 各予測子を取り上げ，それをたとえば50のクラスタにクラスタリングする（クラスタリングは，2つのタイプで行うことができ，また行うべきである）1) 予測子を数値に従ってクラスタリングする「そのままの」タイプ，2) 画像としてクラスタリングする正規化した予測子） 一緒にすると，人間の視覚としてすべてがわかる。
2) 列がクラスタであるテーブルを作成し、50クラスタ ---> 50列 ---> 50予測変数、いくつかのアルゴリズムを使ってこれらの予測変数の重要性をチェックし、50予測変数のうち1-5項目だけが重要であることがわかったので、それらを保持します。
3) 次の予測子を取り、それらをクラスタリングし、ステップ1、2を繰り返す。
このような予測器内部での選択により、理論的には認識品質は数桁向上するはずである...
が、デメリットもある
1）高価な計算
2) もしすべての予測変数が一つずつ分解され、その内容が他の予測変数の内容と別々に評価されるなら、予測変数間の相関を評価することは不可能であり、何らかの解決策が必要である。
そんな風に試してみてはいかがでしょうか。一般的には、メソッドがあります。アウトプット・プレディクタのポイント・チャートを作っていますね。理想は、良い依存関係があることです。しかし、あるセグメント（通常はテール部）で依存性がぼやけている場合、これらの観測結果は除外されます。
このメソッドは何という名前ですか？
は、RCにあるのでしょうか？
問題点2を解決するには？
このメソッドは何という名前ですか？
は、RCにあるのでしょうか？
問題点2を解決するには？
ところで、誰か興味があるのか、ないのか、私にはわからない。5年後に利益が出て検証をパスするような訓練されたロボットが必要ですか？
そんな
休暇から戻ってきました。 ファイルを用意して投稿すれば、必要な人が自分で改良してくれるでしょう。
難しいことでなければ、どのようにロボットを一点一点作ったのか興味があるのですが...。
1）あなたの方法に従って機能を選択しました
2）あなたが作ったモデル
で終わり？
難しいことでなければ、どのようにロボットを一点一点作ったのか興味があるのですが...。
1) お客様の方式に合わせた機能を選択
2）モデルを作ったのはあなたです
で終わり？
これは、常に機能する一般的なスキームです。
GBMの実行後に重要度によって特徴量をカリングしています。そして、いろいろなセレクト数を試しています。機械はGBMで学習させ、様々なフィットネス関数を試しました。クロスバリデーションを用いている。そのパラメータも様々です。さらにニュアンスが違いますね。
総じて、「複雑であればあるほど良いとは限らない」ということを証明するような結果が得られました。EURUSDでは、5つの予測因子と2つのクロスバリデーションファウルのみを使用したモデルです。
非常に興味深いニューラルネットワークhttp://gekkoquant.com/2016/05/08/evolving-neural-networks-through-augmenting-topologies-part-3-of-4/ 自ら取引し、自らのミスから学習するようにできると思いますか？そして、もしそうなら、どうすればいいのか、ぜひ議論してください。
もし開発者が、このネットワークが強化学習アルゴリズムの代わりになると言っているのなら、それは期待できますね。
実験が必要です。でも、この話題は面白いですね。
もし開発者が、このネットワークが強化学習アルゴリズムの代わりになると言っているのなら、それは期待できますね。
実験が必要です。でも、面白いテーマですよね。
そうですね、面白いですね...。しかし、思想から始まってコードそのものに至るまで、ほとんど何も明確なものがなく、物が多すぎて、知らない演算子もたくさんあるのです。
もし誰かが、少なくとも初歩的な例を使って、それをどのようにトレードに使うか、すべて説明してくれるなら、私のような未経験者にとっては良い実験になるはずだ