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 533 1...526527528529530531532533534535536537538539540...3399 新しいコメント Ivan Negreshniy 2017.11.25 20:07 #5321 マキシム・ドミトリエフスキー はい、なぜ良くないのでしょうか？MOは本来、AIが発明されるまでの最適化です。遺伝もAIの一部です。さらに、ハイブリッドな方向性として、NEAT evolving neural networksというのがあります。 Maxim Dmitrievsky 2017.11.25 20:08 #5322 ユーリイ・アサウレンコ 最適化」では基準が重要です。最大利益による最適化は、良い基準とは言えません。また、特に掲示板などで実際によく見かける、将来的にどうにかうまくいくという根拠もない。最大利益でとは限らない、最近記事で提案されたようにR^2でもいいし、カスタム基準もある。ポイントはそこではなく、optによって安定した依存関係を見出すことです。その後、ベストランを選び、なぜそれがベストなのか、どんな面白いことが見つかったのかを分析します。 Maxim Dmitrievsky 2017.11.25 20:09 #5323 イワン・ネグレシュニーさらに、ハイブリッドな方向性として、NEAT evolving neural networksというのがあります。また何か新しい情報があれば、googleに助けを求めに行きます :) Aleksey Terentev 2017.11.25 20:40 #5324 イワン・ネグレシュニーさらに、ハイブリッドな方向性として、NEAT evolving neural networksというのがあります。 ありがとうございます。 この数ヶ月、私が思っていながら、考えがまとまらなかったことを、あなたは代弁してくれました。 Dr. Trader 2017.11.25 22:06 #5325 イワン・ネグレシュニーニート話題自体は面白いのですが、FXのテストには合格しませんでした。このスレッドにもいくつか記事がありましたし、Rのパッケージもあります。https://github.com/ahunteruk/RNeat。 NEATとは一言で言うと、従来の学習ではなく、遺伝的アルゴリズムを用いてニューロンキーの重みを選択することです。 例えば、このアルゴリズムが動作している場合、ニューロンkaはマリオのゲームをプレイするように学習されますhttps://www.youtube.com/watch?v=qv6UVOQ0F44通常のニューラルネットワークの学習では、学習を一時停止して新しいデータでオーバーフィットを確認し、時間内に学習を停止することができますが、NEATではそれがうまくいかず、遺伝子が限界に達するまでフィットネス関数に最も合う重みを探索し、結果として新しいデータでは強いオーバーフィットで役に立たないモデルになってしまうのです。 Алёша 2017.11.25 22:36 #5326 ペトロス・シャタフツィヤン 実際のティックでテストするのが、リアルタイムというものです。しかもテスターで使わないなんて、残念です。MetaTraderのテスターには "real ticks "はなく、数学的に次のローソクの(O+H+L+C)/4でオープン/クローズするように生成され、その前にシグナルが表示されると聞いて不思議な感じがします。 Алёша 2017.11.25 23:13 #5327 Dr.トレーダーこの取引所（bittrex）のマイナス点 - 彼らのAPIは、ohlc値を取得するための関数を持っていません。いやいや、そうなんですよ。ただ、彼らのapi2.0はまだドキュメント化されておらず、情報はインターネットの冥界のどこかにある((candlc reqの例：bittrex.com/Api/v2.0/pub/market/GetTicks?marketName=BTC-ETH&tickInterval=day&_=1499127220008 ローソク足が悪い、注文記録から作るのではなく、何らかの方法で他のソースから集約している、高値と安値がチャートよりずっと強いことがある、いずれにせよティックを書かなければならない。 Dr. Trader 2017.11.26 00:19 #5328 アリョーシャ。もちろん、あなたはそうではなく、私がそうなのです。本当にそう思います、ありがとうございます。 Maxim Dmitrievsky 2017.11.26 05:10 #5329 アリョーシャ変な話ですが、メタトレーダーのテスターには「本物のティック」はなく、生成されたもので、数学的にはシグナルが発生する前の次のローソクの（O+H+L+C）/4でオープン/クローズするというようなものです。メタトレーダーのテザーに本物のティックがないと聞いて不思議に思い、プラットフォームで作業する光学を感じることができる Mihail Marchukajtes 2017.11.26 10:04 #5330 みなさん、こんにちは!!!身近な質問です。過剰な最適化をせず、AIをできるだけ長持ちさせる方法とは？私自身は、2つの答えを考えています。1.インプットの質を高める、つまりアウトプットの理由となるインプットを見つける。このような入力は自然界には原理的に存在しない可能性があるため、作業は非常に困難であり、実現不可能な場合もある。2.適切なレベルのモデル品質でトレーニング期間を延長する。このようなアプローチで検討していこうと思います......。2つのネットの委員会を使うと、「はい」「いいえ」「わからない」の3つの状態が得られますが、2つのネットが異なる方向を向いているとき、この効果を利用しようとします。まず、1000レコードでネットワークを学習させる。通常、約60％が「わからない」状態になる。 そこで、「わからない」状態のみを学習させる第2レベルのモデルを構築する。 なお、第2レベルでは600件中約300件が未定義となる。そうだ、みんな、ブーストを使おう。つまり、ネットワークの再教育を繰り返すのです。レベル3にすることができました。そのおかげで、TF M15で約3カ月間、モデルのトレーニングを行うことができました。信号モデル6個＋バウンスモデル8個を作ることを考えると、モデルの準備に2日以上かかったことは認めざるを得ませんが、この時間はすべて、過剰な最適化と人間の関与なしにTSの容量を1カ月まで増やすためだけに費やされたものです。写真は、TSのトレーニング期間です。テストは1ロットで行い、ポーズで入る可能性はない。つまり、SENDINGモデルなし!収益性」に注目する。高すぎず、2～5...をこの範囲内に収める。この指標が高いとオーバートレーニングのサインであるとしてIMHO。NSがこのセクションを学習したとき。次の写真では、プルバックモデルを接続しています。つまり、シグナルが現れたら、引き戻しがあるかどうかを分析し、「イエス」なら保留の注文を出し、「ノー」なら市場に参入します。ここでは、4つほどのモデル投資を使っていますが、結果はご覧の通り、「収益性」パラメータでより良いものとなっています。実はこの方法は、バランスカーブをより滑らかに、より強く見せるためのものなのです。原則として、取引回数は減少し、利益は減少し、収益性は増加します。しかし、トレーニング分野の指標には意味がないことは分かっていますし、事実です。しかし、私はある非常に重要な質問に対する答えを思いつきました。「トレーニングの質をどう評価するか？ 自分のモデルがどの程度市場を一般化しているか、一般的にそれが可能かどうかはどうすればわかるのか？その答えは、表面上、とてもシンプルなものであることがわかりました。またテスト間隔が必要なのか!!!!!!!でも、なんだろう......それについては、続編で......。 1...526527528529530531532533534535536537538539540...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
はい、なぜ良くないのでしょうか？MOは本来、AIが発明されるまでの最適化です。
遺伝もAIの一部です。
さらに、ハイブリッドな方向性として、NEAT evolving neural networksというのがあります。
最適化」では基準が重要です。最大利益による最適化は、良い基準とは言えません。また、特に掲示板などで実際によく見かける、将来的にどうにかうまくいくという根拠もない。
最大利益でとは限らない、最近記事で提案されたようにR^2でもいいし、カスタム基準もある。ポイントはそこではなく、optによって安定した依存関係を見出すことです。その後、ベストランを選び、なぜそれがベストなのか、どんな面白いことが見つかったのかを分析します。
さらに、ハイブリッドな方向性として、NEAT evolving neural networksというのがあります。
また何か新しい情報があれば、googleに助けを求めに行きます :)
さらに、ハイブリッドな方向性として、NEAT evolving neural networksというのがあります。
この数ヶ月、私が思っていながら、考えがまとまらなかったことを、あなたは代弁してくれました。
ニート
話題自体は面白いのですが、FXのテストには合格しませんでした。このスレッドにもいくつか記事がありましたし、Rのパッケージもあります。https://github.com/ahunteruk/RNeat。
NEATとは一言で言うと、従来の学習ではなく、遺伝的アルゴリズムを用いてニューロンキーの重みを選択することです。
例えば、このアルゴリズムが動作している場合、ニューロンkaはマリオのゲームをプレイするように学習されますhttps://www.youtube.com/watch?v=qv6UVOQ0F44
通常のニューラルネットワークの学習では、学習を一時停止して新しいデータでオーバーフィットを確認し、時間内に学習を停止することができますが、NEATではそれがうまくいかず、遺伝子が限界に達するまでフィットネス関数に最も合う重みを探索し、結果として新しいデータでは強いオーバーフィットで役に立たないモデルになってしまうのです。
実際のティックでテストするのが、リアルタイムというものです。しかもテスターで使わないなんて、残念です。
MetaTraderのテスターには "real ticks "はなく、数学的に次のローソクの(O+H+L+C)/4でオープン/クローズするように生成され、その前にシグナルが表示されると聞いて不思議な感じがします。
この取引所（bittrex）のマイナス点 - 彼らのAPIは、ohlc値を取得するための関数を持っていません。
いやいや、そうなんですよ。ただ、彼らのapi2.0はまだドキュメント化されておらず、情報はインターネットの冥界のどこかにある((
candlc reqの例：bittrex.com/Api/v2.0/pub/market/GetTicks?marketName=BTC-ETH&tickInterval=day&_=1499127220008
ローソク足が悪い、注文記録から作るのではなく、何らかの方法で他のソースから集約している、高値と安値がチャートよりずっと強いことがある、いずれにせよティックを書かなければならない。もちろん、あなたはそうではなく、私がそうなのです。
本当にそう思います、ありがとうございます。
変な話ですが、メタトレーダーのテスターには「本物のティック」はなく、生成されたもので、数学的にはシグナルが発生する前の次のローソクの（O+H+L+C）/4でオープン/クローズするというようなものです。
メタトレーダーのテザーに本物のティックがないと聞いて不思議に思い、プラットフォームで作業する光学を感じることができる
みなさん、こんにちは!!!身近な質問です。過剰な最適化をせず、AIをできるだけ長持ちさせる方法とは？私自身は、2つの答えを考えています。
1.インプットの質を高める、つまりアウトプットの理由となるインプットを見つける。このような入力は自然界には原理的に存在しない可能性があるため、作業は非常に困難であり、実現不可能な場合もある。
2.適切なレベルのモデル品質でトレーニング期間を延長する。このようなアプローチで検討していこうと思います......。
2つのネットの委員会を使うと、「はい」「いいえ」「わからない」の3つの状態が得られますが、2つのネットが異なる方向を向いているとき、この効果を利用しようとします。
まず、1000レコードでネットワークを学習させる。通常、約60％が「わからない」状態になる。 そこで、「わからない」状態のみを学習させる第2レベルのモデルを構築する。 なお、第2レベルでは600件中約300件が未定義となる。そうだ、みんな、ブーストを使おう。つまり、ネットワークの再教育を繰り返すのです。レベル3にすることができました。そのおかげで、TF M15で約3カ月間、モデルのトレーニングを行うことができました。信号モデル6個＋バウンスモデル8個を作ることを考えると、モデルの準備に2日以上かかったことは認めざるを得ませんが、この時間はすべて、過剰な最適化と人間の関与なしにTSの容量を1カ月まで増やすためだけに費やされたものです。
写真は、TSのトレーニング期間です。テストは1ロットで行い、ポーズで入る可能性はない。つまり、SENDINGモデルなし!
収益性」に注目する。高すぎず、2～5...をこの範囲内に収める。この指標が高いとオーバートレーニングのサインであるとしてIMHO。NSがこのセクションを学習したとき。
次の写真では、プルバックモデルを接続しています。つまり、シグナルが現れたら、引き戻しがあるかどうかを分析し、「イエス」なら保留の注文を出し、「ノー」なら市場に参入します。ここでは、4つほどのモデル投資を使っていますが、結果はご覧の通り、「収益性」パラメータでより良いものとなっています。実はこの方法は、バランスカーブをより滑らかに、より強く見せるためのものなのです。
原則として、取引回数は減少し、利益は減少し、収益性は増加します。
しかし、トレーニング分野の指標には意味がないことは分かっていますし、事実です。しかし、私はある非常に重要な質問に対する答えを思いつきました。「トレーニングの質をどう評価するか？ 自分のモデルがどの程度市場を一般化しているか、一般的にそれが可能かどうかはどうすればわかるのか？その答えは、表面上、とてもシンプルなものであることがわかりました。またテスト間隔が必要なのか!!!!!!!でも、なんだろう......それについては、続編で......。