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 623 1...616617618619620621622623624625626627628629630...3399 新しいコメント Yuriy Asaulenko 2018.01.28 15:01 #6221 も同じ です。javaはインタプリタ言語ではなく、C#のように翻訳可能で、翻訳は一度行われ、結果は仮想マシンによって実行される「バイトコード」です。のパフォーマンスは、javac#に匹敵します。また、PythonやRは、ネイティブなアルゴリズムを書くと、実行時に毎回解釈が発生するため、数十倍、時には数百倍の差が出てしまいます。 私は、JVMを実際のマシンコードに解釈するという意味で、「一種の解釈可能な」と書きました。 Aleksey Terentev 2018.01.28 18:47 #6222 フィーチャー選択Lowess平滑化アルゴリズムの応用。データ上の異常値をフィルタリングするため。デルタ、微分、対数微分、EMAとLOWESSによるデトレンディング。 Женя 2018.01.28 22:25 #6223 ユーリイ・アサウレンコなぜPythonじゃないんだろう?もしかして、同じR?理解できない。理解できない。PythonやRは高級言語を解釈するもので、matlabや「数学」のように、言語そのものというよりも、コマンドラインのようなライブラリの集合に対するインターフェイスのようなものだと思います。プロダクションコードを書く必要があるときは、javaかc++が必要になるので、pythonやRは「お遊び」程度で、proかjavaを勉強しなければならないので、むしろ時間の問題だと思います。 Maxim Dmitrievsky 2018.01.29 00:49 #6224 https://medium.com/deep-learning-turkey/google-colab-free-gpu-tutorial-e113627b9f5d Google Colab Free GPU Tutorial – Deep Learning Turkey – Medium 2018.01.26fuatmedium.com Now you can develop deep learning applications with Google Colaboratory -on the free Tesla K80 GPU- using Keras, Tensorflow and PyTorch. Maxim Dmitrievsky 2018.01.29 01:21 #6225 サンサニッチ・フォメンコ VAR、VECM、varsパッケージ、その中の、いつものように、リファレンスを探しています。SETARによるエントリーバウンダリーフックアップしたが、googleが助けてくれる - 文献と具体的なアプリケーション....スプレッドを超えたら、シェアもありかも。見開きで見るととても美しく、目が離せません。読みましたが、以前やって増分を表示したことがありますが、RF経由でした。RFの場合は、スプレッドよりも残差の方が小さいことが多いですね。LRの場合、RFはすべての依存関係を強力に保存するため、残差はより大きくなるはずです(pips単位)。でも、それ自体が面白いテーマなので、そういうモデルがすでに発明されていることを知らずに直感的にやってきたんです :) Maxim Dmitrievsky 2018.01.29 05:15 #6226 そして、純粋に目視でのトレード例(まだbotで確認していない)。バランスは正規分布しているように見えるが、いくつかの周期性は完全に選択されていない。 Maxim Dmitrievsky 2018.01.29 05:50 #6227 そしてこれがOOS時のモデルの崩れ方です。50小節ごとに再計算して、またすぐに崩れてしまいます :) СанСаныч Фоменко 2018.01.29 07:07 #6228 マキシム・ドミトリエフスキー テストをなぜか無視する、共通結合はテストなしでは考えられない。結局のところ、コインテグレーションの主な考え方は、定常的な系列で取引判断を行うことであり、そのような系列は非定常とは対照的に予測可能である。このテストは、履歴に関する予測可能性の根拠となる。 Maxim Dmitrievsky 2018.01.29 07:13 #6229 サンサニッチ・フォメンコ コインターゲーションはテストなしでは考えられないのに、なぜかテストは無視される。結局のところ、コインテグレーションの主な考え方は、定常的な系列で取引判断を行うことであり、そのような系列は、非定常とは対照的に予測可能である。このテストは、歴史上の予測可能性の証拠を提供します。さて、ビデオでは、トレーニングサンプルの定常系列がフォワードサンプルの非定常系列に変化する様子をご覧ください。すべてを見ることができるのに、なぜたくさんのテストを詰め込むのか 標準偏差で 出力されます。新しいデータでは、3つ以上の外れ値が多数出現し、ベクトルモデルが標準モデルほどうまく機能しないことが示唆された もう少ししたら、また別の表現にします。すでに少し面白そうです :) Maxim Dmitrievsky 2018.01.29 07:53 #6230 サンサニッチ・フォメンコ コインターゲーションはテストなしでは考えられないのに、なぜかテストは無視される。結局のところ、コインテグレーションの主な考え方は、定常的な系列で取引判断を行うことであり、そのような系列は、非定常とは対照的に予測可能である。このテストは、履歴に関する予測可能性の根拠となる。こう言ってはどうだろう。 スクリーンショットの赤は現在のペアのラグ55の増分、緑は近似値...うーん...ベクトル非線形 自己回帰(現在のペアと別の通貨ペア(GBPUSD)、複数の異なるものの増分を使用)と呼ぶことにしましょう。 ヒストリー上では すべて問題ないようです。 さらに動画では、フォワードでモデルがどのように動くかを見てみましょう。 前回のビデオでは標準偏差であまり分かりませんでしたが、2つの曲線の差をとって、それを使って偏差を計算しました。 1...616617618619620621622623624625626627628629630...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
javaはインタプリタ言語ではなく、C#のように翻訳可能で、翻訳は一度行われ、結果は仮想マシンによって実行される「バイトコード」です。のパフォーマンスは、javac#に匹敵します。また、PythonやRは、ネイティブなアルゴリズムを書くと、実行時に毎回解釈が発生するため、数十倍、時には数百倍の差が出てしまいます。
フィーチャー選択
Lowess平滑化アルゴリズムの応用。データ上の異常値をフィルタリングするため。
デルタ、微分、対数微分、EMAとLOWESSによるデトレンディング。
ユーリイ・アサウレンコ
なぜPythonじゃないんだろう?もしかして、同じR?理解できない。
理解できない。
PythonやRは高級言語を解釈するもので、matlabや「数学」のように、言語そのものというよりも、コマンドラインのようなライブラリの集合に対するインターフェイスのようなものだと思います。
プロダクションコードを書く必要があるときは、javaかc++が必要になるので、pythonやRは「お遊び」程度で、proかjavaを勉強しなければならないので、むしろ時間の問題だと思います。
https://medium.com/deep-learning-turkey/google-colab-free-gpu-tutorial-e113627b9f5d
VAR、VECM、varsパッケージ、その中の、いつものように、リファレンスを探しています。SETARによるエントリーバウンダリー
フックアップしたが、googleが助けてくれる - 文献と具体的なアプリケーション....
スプレッドを超えたら、シェアもありかも。見開きで見るととても美しく、目が離せません。
読みましたが、以前やって増分を表示したことがありますが、RF経由でした。RFの場合は、スプレッドよりも残差の方が小さいことが多いですね。LRの場合、RFはすべての依存関係を強力に保存するため、残差はより大きくなるはずです(pips単位)。でも、それ自体が面白いテーマなので、そういうモデルがすでに発明されていることを知らずに直感的にやってきたんです :)
そして、純粋に目視でのトレード例(まだbotで確認していない)。
バランスは正規分布しているように見えるが、いくつかの周期性は完全に選択されていない。
そしてこれがOOS時のモデルの崩れ方です。50小節ごとに再計算して、またすぐに崩れてしまいます :)
コインターゲーションはテストなしでは考えられないのに、なぜかテストは無視される。結局のところ、コインテグレーションの主な考え方は、定常的な系列で取引判断を行うことであり、そのような系列は、非定常とは対照的に予測可能である。このテストは、歴史上の予測可能性の証拠を提供します。
さて、ビデオでは、トレーニングサンプルの定常系列がフォワードサンプルの非定常系列に変化する様子をご覧ください。すべてを見ることができるのに、なぜたくさんのテストを詰め込むのか
標準偏差で 出力されます。新しいデータでは、3つ以上の外れ値が多数出現し、ベクトルモデルが標準モデルほどうまく機能しないことが示唆された
もう少ししたら、また別の表現にします。すでに少し面白そうです :)
コインターゲーションはテストなしでは考えられないのに、なぜかテストは無視される。結局のところ、コインテグレーションの主な考え方は、定常的な系列で取引判断を行うことであり、そのような系列は、非定常とは対照的に予測可能である。このテストは、履歴に関する予測可能性の根拠となる。
こう言ってはどうだろう。
スクリーンショットの赤は現在のペアのラグ55の増分、緑は近似値...うーん...ベクトル非線形 自己回帰(現在のペアと別の通貨ペア(GBPUSD)、複数の異なるものの増分を使用)と呼ぶことにしましょう。
ヒストリー上では すべて問題ないようです。
さらに動画では、フォワードでモデルがどのように動くかを見てみましょう。
前回のビデオでは標準偏差であまり分かりませんでしたが、2つの曲線の差をとって、それを使って偏差を計算しました。