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 482 1...475476477478479480481482483484485486487488489...3399 新しいコメント Maxim Dmitrievsky 2017.09.25 10:48 #4811 アレクセイ・テレンテフ そうそう、ノーマライゼーションにもポイントがあるんですよ。時間間隔が異なると、データのジャンプや正規化が異なる。はい、今度解いてみます。 Andrey Kisselyov 2017.09.25 10:49 #4812 マキシム・ドミトリエフスキー 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 マキシム・ドミトリエフスキー:そうかもしれませんが、価格行動の対称性を明らかにしようとしたとき、私はそれを見つけることができませんでした。 敬意を込めて。 Maxim Dmitrievsky 2017.09.25 10:51 #4813 アンドレイ・キセリョフ おそらくそうなるのでしょうが、価格行動の対称性を見つけようとしたところ、それが見出せませんでした。 敬意を込めて。ここで、確率は基本的に50Θ50(0以上/以下)、つまりクラスに属するかどうかであり、それ以外の値は信号強度である。従って、売りと買いの増分値が対称でなくても、NSはそれ自体で理解できるはずです :) Andrey Kisselyov 2017.09.25 10:54 #4814 マキシム・ドミトリエフスキー ここで、確率は基本的に0と1、つまりクラスに属するかどうかであり、それ以外の値は信号の強さである。だから、売りと買いで増分が対称でなくても、NSが勝手に学習してくれるはずです :)私の考えでは、この場合、上で述べたように、第3の状態、つまり、シグナルが買いにも売りにも属さない一定の境界線を持つことが必要だと思います。 リーズナブル。 Maxim Dmitrievsky 2017.09.25 10:58 #4815 アンドレイ・キセリョフ私の考えでは、この場合、上で述べたように、3ステート、信号が買いにも売りにも属さない何らかの境界を持つことが必要である。 リーズナブル。の場合、両クラスを同じ確率で参照することになります。 Andrey Kisselyov 2017.09.25 11:04 #4816 マキシム・ドミトリエフスキー であれば、等確率で両方のクラスに属する NSは基本的にこの境界を自分で見つけるべきで、コードで提供すればよいのです。 敬意を込めて。 Dr. Trader 2017.09.25 11:54 #4817 マキシム・ドミトリエフスキー: 線形分類器を例にして。分類器に何かを教え、0から1までの価格増分で2つの出力を与え、0.5は信号なし(出力の合計は常に1に等しい)とします。このフレーズは何か間違っている。分類器を教える場合、教師は0から1までの増分を教えるのではなく、-1や1(価格下落/価格上昇)のような具体的な値を教えることになります。モデルの学習テーブルと教師を作成することで、増分が-1や1に丸められ、増分の値に関するすべての情報が失われることになります。しかし、この確率は成長率とは全く関係がなく、「確率X%の価格が未知の成長率で成長する」と解釈することができます。マキシム・ドミトリエフスキー: また、非線形分類のニューラルネットワークの場合、出力が信号強度について教えてくれるのか、それとも2つのクラスのどちらかに属する度合いについてだけ教えてくれて、それ以上のことは教えてくれないのか。 ここでも、2つのクラスのどちらかに属するという程度で、それ以上はない。画像に表示されている条件は満たされません。成長の価値を知りたければ、いくつかの成長レベルを持つクラスをたくさん作らなければならない。分類の代わりに回帰を使用することもできます。そして、回帰モデルが 必要です。そして、学習中に価格増分を変化や丸めずに投入し、モデルが高い精度を実現できれば、確率やクラスではなく、増分の大きさを予測することが可能になるのです。とても便利です。FXでは、単純な分類よりも回帰の方が成果が上がりませんでしたが。このモデルは予測時に、50%以上のケースで方向を推測するものの、非常に小さな値を出しており、予測から期待される増加量を推定することはできなかった。その結果、2クラスと同様に「価格は未知数で上がるだろう」という扱いになった。 Ivan Negreshniy 2017.09.25 11:59 #4818 マキシム・ドミトリエフスキープロセスを理解するのに役立つ :)線形分類器を例にして。分類器に何かを教えるとして、0から1までの価格増分を2つの出力に与え、0.5は無信号(出力の合計は常に1に等しい)とします。例えば,単純に回帰直線を引くと,価格に応じて,大きな価格増分は直線から遠くに,小さな価格増分は近くに位置します。つまり,分類器の出力が 0.9; 0.1 の場合,正の増分は直線から遠くに位置しており,シグナル 0.9 はシグナル 0.6 よりも購入が強くなりますまた、非線形分類のニューラルネットワークの場合、出力は信号強度を示すのか、それとも2つのクラスのどちらかに属している度合いを示すだけで、それ以上にはならないのかつまり、この条件が満たされるかどうか。 このままでは、よく知らない初心者の半分がやられてしまうような気がします。このクラスに属するかどうかで、直感的に信号強度の大小がわかるからだ。しかし、実際にそうであるかどうか、また、増分の値を分配するために、例えば%単位でより多くのクラスを作成する方が良いかどうかは、このまたはそのクラス(10のうちの1つ、仮定)の値を得ることは、すでに正確に増分の値を促すことになるのです。出力時の信号強度のような特性を持ちたいのであれば、クラスの数が増えても有限(離散)のままである分類問題を解くのはいかがなものでしょうか。回帰タスクで-1(100%売り)から1(100%買い)、あるいは学習出力に偶数ポイントを与え、売りの場合はマイナス、買いの場合はプラス、ゼロはそのままフラットになります。追伸 というのは、前のメッセージにも書きましたが、ほぼ同じ意味です。 Maxim Dmitrievsky 2017.09.25 12:07 #4819 Dr.トレーダー: このフレーズには何か違和感がある。分類器を学習させる場合、教師は0から1までの増分ではなく、-1や1といった特定の値(値下がり/値上がり)になります。モデルの学習テーブルと教師を作成することで、増分が-1や1に丸められ、増分の値に関するすべての情報が失われてしまうのです。しかし、この確率は増分の値とは全く関係なく、「確率X%の価格は、おそらく未知の増分で増加する」と解釈することができる。 ここでも、2つのクラスのどちらかに属するという程度で、それ以上はない。写真のような要件は満たされません。増分の大きさを知りたければ、いくつかの増分の度合いに応じてクラスをたくさん作らなければならない。分類を使う代わりに、回帰を使うこともできます。そして、回帰モデルが必要です。そして、学習では、変更と丸めのない価格増分を投入し、モデルが高い精度を達成できれば、確率やクラスではなく、増分の大きさを予測することができます。とても便利です。FXでは、単純な分類よりも回帰の方が成果が上がりませんでしたが。このモデルは予測時に、50%以上のケースで方向を推測するものの、非常に小さな値を出しており、予測から期待される増加量を推定することはできなかった。その結果、2クラスと同様に「価格は未知数で伸びるだろう」と扱われた。なるほど、クラス分けの出力確率と増分の確率は関係ないんですね...ここも混乱する人がいて、初心者には曖昧なところです...。一方、確率を出力するニューラルネットワーク(例えばソフトマックス層)の場合、0.5以上の確率でクラスが決定されるのであれば、何のために確率が必要なのだろうか。そして、本当に回帰モデル を使ってみて、出力値の正規化をすべて取り除くことができます。ちなみに、私はランダムフォレストを使っているので、入力の正規化は必要ありません。 Maxim Dmitrievsky 2017.09.25 12:10 #4820 イワン・ネグレシュニー出力時の信号強度のような特性が欲しいのであれば、クラス数を増やしても有限(離散)のままである分類問題を解く必要はないだろう。回帰問題を取り上げ、-1(100% SELL)から1(100% BUY)、あるいは一般にポイントで、SELLはマイナス、BUYはプラス、一方、ゼロは当然のことながら、フラットとなります。追伸 というのは、前のメッセージにも書きましたが、ほぼ同じ意味です。はい、回帰がよりスマートになることがわかりました(私はニューラルネットワークではなくRFを使用しています)。 1...475476477478479480481482483484485486487488489...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
そうそう、ノーマライゼーションにもポイントがあるんですよ。時間間隔が異なると、データのジャンプや正規化が異なる。
はい、今度解いてみます。
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
敬意を込めて。
おそらくそうなるのでしょうが、価格行動の対称性を見つけようとしたところ、それが見出せませんでした。
敬意を込めて。
ここで、確率は基本的に50Θ50(0以上/以下)、つまりクラスに属するかどうかであり、それ以外の値は信号強度である。従って、売りと買いの増分値が対称でなくても、NSはそれ自体で理解できるはずです :)
ここで、確率は基本的に0と1、つまりクラスに属するかどうかであり、それ以外の値は信号の強さである。だから、売りと買いで増分が対称でなくても、NSが勝手に学習してくれるはずです :)
私の考えでは、この場合、上で述べたように、第3の状態、つまり、シグナルが買いにも売りにも属さない一定の境界線を持つことが必要だと思います。
リーズナブル。
私の考えでは、この場合、上で述べたように、3ステート、信号が買いにも売りにも属さない何らかの境界を持つことが必要である。
リーズナブル。
の場合、両クラスを同じ確率で参照することになります。
であれば、等確率で両方のクラスに属する
敬意を込めて。
線形分類器を例にして。分類器に何かを教え、0から1までの価格増分で2つの出力を与え、0.5は信号なし(出力の合計は常に1に等しい)とします。
このフレーズは何か間違っている。分類器を教える場合、教師は0から1までの増分を教えるのではなく、-1や1(価格下落/価格上昇)のような具体的な値を教えることになります。モデルの学習テーブルと教師を作成することで、増分が-1や1に丸められ、増分の値に関するすべての情報が失われることになります。
しかし、この確率は成長率とは全く関係がなく、「確率X%の価格が未知の成長率で成長する」と解釈することができます。
また、非線形分類のニューラルネットワークの場合、出力が信号強度について教えてくれるのか、それとも2つのクラスのどちらかに属する度合いについてだけ教えてくれて、それ以上のことは教えてくれないのか。
分類の代わりに回帰を使用することもできます。そして、回帰モデルが 必要です。そして、学習中に価格増分を変化や丸めずに投入し、モデルが高い精度を実現できれば、確率やクラスではなく、増分の大きさを予測することが可能になるのです。とても便利です。
FXでは、単純な分類よりも回帰の方が成果が上がりませんでしたが。このモデルは予測時に、50%以上のケースで方向を推測するものの、非常に小さな値を出しており、予測から期待される増加量を推定することはできなかった。その結果、2クラスと同様に「価格は未知数で上がるだろう」という扱いになった。
プロセスを理解するのに役立つ :)
線形分類器を例にして。分類器に何かを教えるとして、0から1までの価格増分を2つの出力に与え、0.5は無信号(出力の合計は常に1に等しい)とします。
例えば,単純に回帰直線を引くと,価格に応じて,大きな価格増分は直線から遠くに,小さな価格増分は近くに位置します。つまり,分類器の出力が 0.9; 0.1 の場合,正の増分は直線から遠くに位置しており,シグナル 0.9 はシグナル 0.6 よりも購入が強くなります
また、非線形分類のニューラルネットワークの場合、出力は信号強度を示すのか、それとも2つのクラスのどちらかに属している度合いを示すだけで、それ以上にはならないのか
つまり、この条件が満たされるかどうか。
このままでは、よく知らない初心者の半分がやられてしまうような気がします。このクラスに属するかどうかで、直感的に信号強度の大小がわかるからだ。しかし、実際にそうであるかどうか、また、増分の値を分配するために、例えば%単位でより多くのクラスを作成する方が良いかどうかは、このまたはそのクラス(10のうちの1つ、仮定)の値を得ることは、すでに正確に増分の値を促すことになるのです。出力時の信号強度のような特性を持ちたいのであれば、クラスの数が増えても有限(離散)のままである分類問題を解くのはいかがなものでしょうか。回帰タスクで-1(100%売り)から1(100%買い)、あるいは学習出力に偶数ポイントを与え、売りの場合はマイナス、買いの場合はプラス、ゼロはそのままフラットになります。
追伸
というのは、前のメッセージにも書きましたが、ほぼ同じ意味です。
このフレーズには何か違和感がある。分類器を学習させる場合、教師は0から1までの増分ではなく、-1や1といった特定の値(値下がり/値上がり)になります。モデルの学習テーブルと教師を作成することで、増分が-1や1に丸められ、増分の値に関するすべての情報が失われてしまうのです。
しかし、この確率は増分の値とは全く関係なく、「確率X%の価格は、おそらく未知の増分で増加する」と解釈することができる。
ここでも、2つのクラスのどちらかに属するという程度で、それ以上はない。写真のような要件は満たされません。増分の大きさを知りたければ、いくつかの増分の度合いに応じてクラスをたくさん作らなければならない。分類を使う代わりに、回帰を使うこともできます。そして、回帰モデルが必要です。そして、学習では、変更と丸めのない価格増分を投入し、モデルが高い精度を達成できれば、確率やクラスではなく、増分の大きさを予測することができます。とても便利です。
FXでは、単純な分類よりも回帰の方が成果が上がりませんでしたが。このモデルは予測時に、50%以上のケースで方向を推測するものの、非常に小さな値を出しており、予測から期待される増加量を推定することはできなかった。その結果、2クラスと同様に「価格は未知数で伸びるだろう」と扱われた。
なるほど、クラス分けの出力確率と増分の確率は関係ないんですね...ここも混乱する人がいて、初心者には曖昧なところです...。一方、確率を出力するニューラルネットワーク(例えばソフトマックス層)の場合、0.5以上の確率でクラスが決定されるのであれば、何のために確率が必要なのだろうか。そして、本当に回帰モデル を使ってみて、出力値の正規化をすべて取り除くことができます。ちなみに、私はランダムフォレストを使っているので、入力の正規化は必要ありません。
出力時の信号強度のような特性が欲しいのであれば、クラス数を増やしても有限(離散)のままである分類問題を解く必要はないだろう。回帰問題を取り上げ、-1(100% SELL)から1(100% BUY)、あるいは一般にポイントで、SELLはマイナス、BUYはプラス、一方、ゼロは当然のことながら、フラットとなります。
追伸
というのは、前のメッセージにも書きましたが、ほぼ同じ意味です。
はい、回帰がよりスマートになることがわかりました(私はニューラルネットワークではなくRFを使用しています)。