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 481 1...474475476477478479480481482483484485486487488...3399 新しいコメント 削除済み 2017.09.25 09:15 #4801 マキシム・ドミトリエフスキー インクリメントに、byGaSellクラスに属するかどうかの確率的な推定値を与えることができる。を「考えずに」進める。 Maxim Dmitrievsky 2017.09.25 09:19 #4802 Oleg avtomat: まあ、"考える "ことは抜きにして、先に進んでください。よし、実験で確認しよう...。もちろん、2つ以上のクラスを試してみるつもりですが、私の場合、根本的な違いはないと思っています。 Aleksey Terentev 2017.09.25 10:17 #4803 マキシム・ドミトリエフスキーマキシム君の状況を見ると、こうだ。目標は a) 移動方向の確率を得るため。b) 動作の強さの推定値を得るため。解決オプション： 1) 出力 [0,1] または [-1,1] のいずれかを使用します。または2つの出力[[0,1],[0,1]]です。 ナーフ！トレーニングデータは、動きの強弱を反映させること、つまり動作履歴を有効範囲に正規化する必要があります。プラス：ネットワークモデルは、設定が簡単でシンプルです。 マイナス：価格変動の振幅が異なるため、正規化は時系列全体で不均一になる。2) 2次元の分類出力 [0,1]+[0,1] または [-1,1]+[-1,1] を使用する。3/4出力 [[0,1],[0,1]+[0,1]] または [[0,1],[0,1]+[0,1]] のどちらかです。1次元は移動方向の確率、2次元は移動の強さの確率である。プラス：結果の視認性向上マイナス：「木製」フレームワークでのニューラルネットワークのモデルフィッティングの難しさ。3) ネットワークモデルを2つに分割したオプション2。1つのモデルは方向を予測することを学習し、2つ目のモデルは動きの強さを予測することを学習する。長所：視認性の維持、ニューラルネットワークの応用の しやすさ。マイナス：計算速度が若干向上する可能性がある、コード量が増える。 Maxim Dmitrievsky 2017.09.25 10:33 #4804 アレクセイ・テレンテフマキシム君の状況を見ると、こうだ。目標は (a)移動方向の確率を求めること。b) 動作の強さの目安を知るため。ソリューションの選択肢 1) 出力は [0,1] または [-1,1] のいずれかを使用します。または2つの出力[[0,1], [0,1]]です。 ニュアンス！トレーニングデータは、動きの強さを反映させること、つまり動作履歴を目的の範囲に正規化する必要があります。プラス：ネットワークモデルのフィッティングの利便性と容易さ。 マイナス：価格変動の振幅が異なるため、時系列全体では正規化が不均一になる。つまり、2つのクラスのいずれかに割り当てる確率の値は、私が最初に信号強度で出力を埋める場合（例えば、ちょうど0から1の範囲で正規化された増分を養う、出力は、特定のクラスへの割り当ての確率が高いほど大きな期待増分を得ることになります）、まだ信号強度に対応するでしょうか。あるいは、そのように動作せず、あるクラスへの割り当ての確率だけを得ることができますが、出力の増加分の大きさは失われます :) Maxim Dmitrievsky 2017.09.25 10:36 #4805 ヴィザード_。単純な回帰線を作ると...。即ちよりも強い そして、非線形分類のニューラルネットワークを取り上げると...。 1本の定規で測ればわかる。例えば、今流行りのLogloss(R - library(MLmetrics))クラスを増やした方が良いのでは？ 思う存分、便利に...。つまり、学習後も増分の大きさに関する情報は失われず、増分がどちらのクラスに帰属するかだけでなく、2クラスのうち1クラスに帰属する確率を利用して増分の強さを予測することができるのである。それなら、わざわざ多くの出力をする必要はないでしょう、2つあれば十分です :) Andrey Kisselyov 2017.09.25 10:42 #4806 マキシム・ドミトリエフスキー つまり、学習後も増分の大きさに関する情報が失われることはなく、増分がどのクラスに現れるかだけでなく、2クラスのうち1クラスに割り当てられる確率から増分の強さを予測することができるのである。それなら、わざわざ多くの出力をする必要はないでしょう、2つあれば十分です :) 例えば、購入時の各グレーディングの確率と売却時の同じグレーディングの確率は異なるかもしれません。 謹んで申し上げます。 Aleksey Terentev 2017.09.25 10:43 #4807 マキシム・ドミトリエフスキーつまり、2つのクラスのいずれかに割り当てられる確率の値は、信号強度に対応します。最初は信号強度で出力を埋める場合（例えば、私はちょうど0から1の範囲で正規化された増分をフィード、出力で我々はこのまたはそのクラスへの割り当ての高い確率を得る、より大きな期待増分のですか？あるいは、そのように動作せず、クラスへの割り当ての確率だけを得ることができますが、出力の増分値は失われます :)ニューラルネットワーク自体も何が必要なのかわからない。それは、あなたが与えたものから学ぶのです。もし、データの入力と出力の間に本当にパターンがあれば、適切に学習させることでモデルはそれを検出することができる。つまり、確率の値は、運動の強さを示すかもしれない。 私なら次のようにします。信号を [0,1] または正弦波/タンフ出力 [-1,1] で2つの買い/売りクラスに分割します。 Maxim Dmitrievsky 2017.09.25 10:46 #4808 アンドレイ・キセリョフ 各階調の買いの確率と同じ階調の売りの確率は異なるので、良い結果を得ようとするならば、それなりの工夫が必要である。 敬具いや、すでに画面を引用したが、増分はゼロの両側で静止しており、対称なので、確率は＋-同じになる Aleksey Terentev 2017.09.25 10:46 #4809 そして、そう、ここでノーマライゼーションの出番となる。バウンドして、異なる間隔で異なるデータを正規化します。 まあ、データを一度に正規化すると、信号がかなり弱くなりますからね。 Maxim Dmitrievsky 2017.09.25 10:47 #4810 アレクセイ・テレンテフニューラルネットワーク自身は、あなたに何が必要なのかわかっていないのです。それは、あなたが与えたものから学ぶのです。もし、入力と出力の間のデータに本当にパターンがあれば、モデルは適切な学習によってそれを検出することができる。つまり、そう、確率の値は動きの強さを知らせることができるのです。 私は、信号を[0,1]または正弦波/タンフ出力[-1,1]で2つのクラスに分割します。はい、ありがとうございます！それが聞きたかったんです・・・というのも、ニューラルネットワークにハマっている友人から、「クラスへの割り当て確率は、あくまでクラスへの割り当て確率であって、絶対的な増分のデータは失われる」と言われ・・・彼と議論を始め、結局2人とも混乱してしまったんです :) 1...474475476477478479480481482483484485486487488...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
インクリメントに、byGaSellクラスに属するかどうかの確率的な推定値を与えることができる。
を「考えずに」進める。
まあ、"考える "ことは抜きにして、先に進んでください。
よし、実験で確認しよう...。もちろん、2つ以上のクラスを試してみるつもりですが、私の場合、根本的な違いはないと思っています。
マキシム君の状況を見ると、こうだ。
目標は
a) 移動方向の確率を得るため。
b) 動作の強さの推定値を得るため。
解決オプション：
1) 出力 [0,1] または [-1,1] のいずれかを使用します。または2つの出力[[0,1],[0,1]]です。
ナーフ！トレーニングデータは、動きの強弱を反映させること、つまり動作履歴を有効範囲に正規化する必要があります。
プラス：ネットワークモデルは、設定が簡単でシンプルです。
マイナス：価格変動の振幅が異なるため、正規化は時系列全体で不均一になる。
2) 2次元の分類出力 [0,1]+[0,1] または [-1,1]+[-1,1] を使用する。3/4出力 [[0,1],[0,1]+[0,1]] または [[0,1],[0,1]+[0,1]] のどちらかです。1次元は移動方向の確率、2次元は移動の強さの確率である。
プラス：結果の視認性向上
マイナス：「木製」フレームワークでのニューラルネットワークのモデルフィッティングの難しさ。
3) ネットワークモデルを2つに分割したオプション2。1つのモデルは方向を予測することを学習し、2つ目のモデルは動きの強さを予測することを学習する。
長所：視認性の維持、ニューラルネットワークの応用の しやすさ。
マイナス：計算速度が若干向上する可能性がある、コード量が増える。
マキシム君の状況を見ると、こうだ。
目標は
(a)移動方向の確率を求めること。
b) 動作の強さの目安を知るため。
ソリューションの選択肢
1) 出力は [0,1] または [-1,1] のいずれかを使用します。または2つの出力[[0,1], [0,1]]です。
ニュアンス！トレーニングデータは、動きの強さを反映させること、つまり動作履歴を目的の範囲に正規化する必要があります。
プラス：ネットワークモデルのフィッティングの利便性と容易さ。
マイナス：価格変動の振幅が異なるため、時系列全体では正規化が不均一になる。
つまり、2つのクラスのいずれかに割り当てる確率の値は、私が最初に信号強度で出力を埋める場合（例えば、ちょうど0から1の範囲で正規化された増分を養う、出力は、特定のクラスへの割り当ての確率が高いほど大きな期待増分を得ることになります）、まだ信号強度に対応するでしょうか。
あるいは、そのように動作せず、あるクラスへの割り当ての確率だけを得ることができますが、出力の増加分の大きさは失われます :)
単純な回帰線を作ると...。即ちよりも強い
そして、非線形分類のニューラルネットワークを取り上げると...。
1本の定規で測ればわかる。例えば、今流行りのLogloss(R - library(MLmetrics))
クラスを増やした方が良いのでは？
思う存分、便利に...。
つまり、学習後も増分の大きさに関する情報は失われず、増分がどちらのクラスに帰属するかだけでなく、2クラスのうち1クラスに帰属する確率を利用して増分の強さを予測することができるのである。それなら、わざわざ多くの出力をする必要はないでしょう、2つあれば十分です :)
つまり、学習後も増分の大きさに関する情報が失われることはなく、増分がどのクラスに現れるかだけでなく、2クラスのうち1クラスに割り当てられる確率から増分の強さを予測することができるのである。それなら、わざわざ多くの出力をする必要はないでしょう、2つあれば十分です :)
謹んで申し上げます。
つまり、2つのクラスのいずれかに割り当てられる確率の値は、信号強度に対応します。最初は信号強度で出力を埋める場合（例えば、私はちょうど0から1の範囲で正規化された増分をフィード、出力で我々はこのまたはそのクラスへの割り当ての高い確率を得る、より大きな期待増分のですか？
あるいは、そのように動作せず、クラスへの割り当ての確率だけを得ることができますが、出力の増分値は失われます :)
ニューラルネットワーク自体も何が必要なのかわからない。それは、あなたが与えたものから学ぶのです。もし、データの入力と出力の間に本当にパターンがあれば、適切に学習させることでモデルはそれを検出することができる。つまり、確率の値は、運動の強さを示すかもしれない。
私なら次のようにします。信号を [0,1] または正弦波/タンフ出力 [-1,1] で2つの買い/売りクラスに分割します。
各階調の買いの確率と同じ階調の売りの確率は異なるので、良い結果を得ようとするならば、それなりの工夫が必要である。
敬具
いや、すでに画面を引用したが、増分はゼロの両側で静止しており、対称なので、確率は＋-同じになる
まあ、データを一度に正規化すると、信号がかなり弱くなりますからね。
ニューラルネットワーク自身は、あなたに何が必要なのかわかっていないのです。それは、あなたが与えたものから学ぶのです。もし、入力と出力の間のデータに本当にパターンがあれば、モデルは適切な学習によってそれを検出することができる。つまり、そう、確率の値は動きの強さを知らせることができるのです。
私は、信号を[0,1]または正弦波/タンフ出力[-1,1]で2つのクラスに分割します。
はい、ありがとうございます！それが聞きたかったんです・・・というのも、ニューラルネットワークにハマっている友人から、「クラスへの割り当て確率は、あくまでクラスへの割り当て確率であって、絶対的な増分のデータは失われる」と言われ・・・彼と議論を始め、結局2人とも混乱してしまったんです :)