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 451 1...444445446447448449450451452453454455456457458...3399 新しいコメント toxic 2017.08.01 15:09 #4501 アレクサンドル・イワノフ レシェトフが神に自己紹介したのか？噂によると、私は葬儀に参列していないそうだ。 Dr. Trader 2017.08.06 08:35 #4502 トレーディングとは関係ない、面白い実験です。主成分分析（PCA）は、データのノイズを抑制するために使われますが、ノイズの多い画像をきれいにするためにどのような効果があるのか見てみたいと思いました。画像http://sites.psu.edu/siowfa15/wp-content/uploads/sites/29639/2015/10/Fall-beautiful-nature-22666764-900-562.jpg、ノイズを加えて撮影した。この画像は行列として表現することができる。行列の高さは画像の高さに等しく、行列の幅＝画像の幅×3（赤、青、緑の3色チャンネルとして）です。 そして、一般的なRツールで主成分を探し、主成分だけを残し、それを使って元の画像の復元を試みることができます。ノイズの情報は重要度の低い部品に格納されるはずで、それを捨てることでノイズも捨てることになるのです。その時の様子をご紹介します。画質は悪くなったものの、粒状感はなくなりました。また、物体認識アルゴリズムによっては、2枚目の画像の方が適している場合もあります。 ファイル: bitmap_pca.txt 4 kb Dr. Trader 2017.08.06 08:44 #4503 あまり粗くないフィルターです。スクリプトでフィルター値を変更可能(SIZE_REDUCTION) Maxim Dmitrievsky 2017.08.06 08:48 #4504 Dr.トレーダー： あまり粗くないフィルターです。スクリプトでフィルター値を変更可能(SIZE_REDUCTION)ノイズを別のものに置き換える :Dちなみに、このような粒状感のある画像は、コンプビジョンのNSに非常に騙されやすい。道路標識がうるさいと、標識を認識するNSが混乱するという記事をどこかで見たことがあります :)あなたはRが得意ですが、Recurrence plotsを試すのを妨げるものは何ですか？ https://en.wikipedia.org/wiki/Recurrence_plot例えば、グラフを漸化式に変換して、その画像に畳み込み NS を教え、学習後に変換後のグラフの断片を送り、結果画像（予測）を得て、通常の形式に逆変換するとします。直感的には、リカレンスプロットは時系列よりも コンピュータビジョンで認識しやすく、意味のある特徴を失うこともない。しかし、人はそれを確認しなければならない。 Aleksey Vyazmikin 2017.08.06 09:08 #4505 Dr.トレーダー画質は悪くなったものの、粒状感はなくなりました。また、物体認識アルゴリズムによっては、2枚目の画像の方が適している場合もあります。 私の考えでは、この写真は過剰最適化、つまり正しい判断をするためのデータが失われていることを示しています。 Dr. Trader 2017.08.06 09:27 #4506 マキシム・ドミトリエフスキー： あなたはRが得意ですが、Recurrence plotsを試すのを妨げるものは何ですか？ https://en.wikipedia.org/wiki/Recurrence_plot例えば、グラフを漸化式に変換して、その画像に畳み込みNSを教え、学習後にグラフの一部を変換して与え、その結果得られる画像（予測）を得て、通常の形式に逆変換する。直感的には、リカレンスプロットは時系列よりもコンピュータビジョンで認識しやすく、意味のある特徴を失うこともない。でも、確認しないといけない。Recurrence plotは試していませんが、その説明は有馬と非常に似ており、このモデルも再帰的依存関係を検索します。また、関数 acf() と pacf() を使って自己相関 グラフを描くことができます。これは Recurrence plot と多少似ていますが、グラフは平面の代わりにベクトルを持つことになります。 Maxim Dmitrievsky 2017.08.06 11:57 #4507 Dr.トレーダーRecurrence plotは試していませんが、説明は有馬と非常に似ていて、このモデルも再帰的依存性を調べます。関数 acf() と pacf() を使って自己相関グラフを描くこともできます。これは Recurrence plot と多少似ていますが、グラフには平面の代わりにベクトルが含まれます。 さて、ここでの最大の利点は、通常のトップダウンやボトムアップのプロットとは異なり、常に空間全体がプロットで埋め尽くされることです。機械にとって識別しやすくなり、パターンの特異性から特定のパターンの規則性を知ることができるようになる mytarmailS 2017.08.06 19:49 #4508 マキシム・ドミトリエフスキー直感的には、リカレンスプロットは時系列よりもコンピュータビジョンに認識されやすく、意味のある属性を失うことはないだろう。しかし、確認は必要です。試してみたところ、BPと同じような結果になり、そのことを書いたりもしたようです。問題は、市場は常に異なるBPを生成していることで、BPを通して、あるいはBP変換を通して市場を見た場合、過去にあったものは未来には決して繰り返さないので、そのような機能を使って作業してもIRには無意味で、ついでに人間にも無意味なのです...。 mytarmailS 2017.08.06 19:53 #4509 Dr.トレーダートレーディングとは全く関係なく、ただ面白い実験をしただけです。 ありがとうございました。この方法を使えば、古い録音や破損した録音などのノイズ成分を除去して、音をきれいにすることもできます...しかし、これらのスペクトル解析の作業は、PCAだけでなく、フーリエやウェーブレットでも行うことができる Vizard_ 2017.08.07 08:33 #4510 トレーダー博士：主成分分析（PCA）はデータのノイズを抑えることができるので、ノイズの多い画像をきれいにするにはどうしたらいいか考えてみたのですが......。同じような仕事をするフィルターが数多く存在することはさておき。 Photoshopなどで、他のダウンサンプリングアルゴリズムを試してみると、より鮮明になります。 ICA、NMF、SVDなど。 しかし、あなたはDMエレメントを使ったオートダイナミックアプローチに興味があるようなので、例えばクラスタリングを使ってみてはいかがでしょうか？ K-Means、EM-c、DBSCAN、t-SNEなど。 1.ノイズをキャッチするようにする。 2.運が良ければ、それを取り除くことができます。 3.ボイドを最寄りのものと交換する、など。 そして、いろいろな音が入った絵を与えて、その様子を見るのです。 できないなら、鉛筆を持った女の子にレタッチさせればいい))) 1...444445446447448449450451452453454455456457458...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
レシェトフが神に自己紹介したのか？
噂によると、私は葬儀に参列していないそうだ。
トレーディングとは関係ない、面白い実験です。
主成分分析（PCA）は、データのノイズを抑制するために使われますが、ノイズの多い画像をきれいにするためにどのような効果があるのか見てみたいと思いました。
画像http://sites.psu.edu/siowfa15/wp-content/uploads/sites/29639/2015/10/Fall-beautiful-nature-22666764-900-562.jpg、ノイズを加えて撮影した。
この画像は行列として表現することができる。行列の高さは画像の高さに等しく、行列の幅＝画像の幅×3（赤、青、緑の3色チャンネルとして）です。
そして、一般的なRツールで主成分を探し、主成分だけを残し、それを使って元の画像の復元を試みることができます。ノイズの情報は重要度の低い部品に格納されるはずで、それを捨てることでノイズも捨てることになるのです。
その時の様子をご紹介します。
画質は悪くなったものの、粒状感はなくなりました。また、物体認識アルゴリズムによっては、2枚目の画像の方が適している場合もあります。
あまり粗くないフィルターです。スクリプトでフィルター値を変更可能(SIZE_REDUCTION)
あまり粗くないフィルターです。スクリプトでフィルター値を変更可能(SIZE_REDUCTION)
ノイズを別のものに置き換える :D
ちなみに、このような粒状感のある画像は、コンプビジョンのNSに非常に騙されやすい。道路標識がうるさいと、標識を認識するNSが混乱するという記事をどこかで見たことがあります :)
あなたはRが得意ですが、Recurrence plotsを試すのを妨げるものは何ですか？ https://en.wikipedia.org/wiki/Recurrence_plot
例えば、グラフを漸化式に変換して、その画像に畳み込み NS を教え、学習後に変換後のグラフの断片を送り、結果画像（予測）を得て、通常の形式に逆変換するとします。
直感的には、リカレンスプロットは時系列よりも コンピュータビジョンで認識しやすく、意味のある特徴を失うこともない。
しかし、人はそれを確認しなければならない。
画質は悪くなったものの、粒状感はなくなりました。また、物体認識アルゴリズムによっては、2枚目の画像の方が適している場合もあります。
あなたはRが得意ですが、Recurrence plotsを試すのを妨げるものは何ですか？ https://en.wikipedia.org/wiki/Recurrence_plot
例えば、グラフを漸化式に変換して、その画像に畳み込みNSを教え、学習後にグラフの一部を変換して与え、その結果得られる画像（予測）を得て、通常の形式に逆変換する。
直感的には、リカレンスプロットは時系列よりもコンピュータビジョンで認識しやすく、意味のある特徴を失うこともない。
でも、確認しないといけない。
Recurrence plotは試していませんが、その説明は有馬と非常に似ており、このモデルも再帰的依存関係を検索します。
また、関数 acf() と pacf() を使って自己相関 グラフを描くことができます。これは Recurrence plot と多少似ていますが、グラフは平面の代わりにベクトルを持つことになります。
Recurrence plotは試していませんが、説明は有馬と非常に似ていて、このモデルも再帰的依存性を調べます。
関数 acf() と pacf() を使って自己相関グラフを描くこともできます。これは Recurrence plot と多少似ていますが、グラフには平面の代わりにベクトルが含まれます。
さて、ここでの最大の利点は、通常のトップダウンやボトムアップのプロットとは異なり、常に空間全体がプロットで埋め尽くされることです。機械にとって識別しやすくなり、パターンの特異性から特定のパターンの規則性を知ることができるようになる
直感的には、リカレンスプロットは時系列よりもコンピュータビジョンに認識されやすく、意味のある属性を失うことはないだろう。
しかし、確認は必要です。
試してみたところ、BPと同じような結果になり、そのことを書いたりもしたようです。
問題は、市場は常に異なるBPを生成していることで、BPを通して、あるいはBP変換を通して市場を見た場合、過去にあったものは未来には決して繰り返さないので、そのような機能を使って作業してもIRには無意味で、ついでに人間にも無意味なのです...。
トレーディングとは全く関係なく、ただ面白い実験をしただけです。
同じような仕事をするフィルターが数多く存在することはさておき。
Photoshopなどで、他のダウンサンプリングアルゴリズムを試してみると、より鮮明になります。
ICA、NMF、SVDなど。
しかし、あなたはDMエレメントを使ったオートダイナミックアプローチに興味があるようなので、例えばクラスタリングを使ってみてはいかがでしょうか？
K-Means、EM-c、DBSCAN、t-SNEなど。
1.ノイズをキャッチするようにする。
2.運が良ければ、それを取り除くことができます。
3.ボイドを最寄りのものと交換する、など。
そして、いろいろな音が入った絵を与えて、その様子を見るのです。
できないなら、鉛筆を持った女の子にレタッチさせればいい)))