Один мой знакомый, посещая учебные курсы о торговле на форекс, получил домашнее задание - построить торговую систему. Повозившись с этим с недельку, он сказал, что эта задача, пожалуй, сложнее, чем написать диссертацию. Тогда я предложил ему попробовать множественный регрессионный анализ. В итоге за вечер была создана "с нуля" торговая система...
悲しむな、自覚はあるんだ)しかし、より快適に感じるのであれば、続けることができます。
でも、その通りです。
初期段階でターゲットデータとの相関を調べればよいのでしょうか、もしそうなら、どのような相関の閾値を使えばよいのでしょうか。
相関は直線的な手法である。それがあれば、NSで家庭菜園をする意味がない。線形回帰で 十分です。
ご回答ありがとうございました。
線形回帰を適用して、特徴を追加することで、最もロバストな関係を特定するのはどうでしょうか？
前々から思っていたのですが...。実際に
10×10のマトリックスがありますが、それについて何か言うことはありますか？
データ量は100です。
そして、このデータの情報量を計算し、これもある単位で表現することができる。このデータセットには、データ量と情報量以外に何が含まれているのでしょうか？答えるだけ無駄だ。知識の量です。これらはすべて、ターゲットとの関係において当然のことなのです。そこで、因果関係を見ると、次のようなモデルになる。
知識の量→データの量→情報の量。
つまり、予測するためには、情報の量ではなく、必要な値に関する「知識」だけをデータの集合から見つけ出すことが必要なのです。
知識というものは非常にもろいもので、不用意なデータ変換によって 失われる可能性があります。1つの記録でも、わずかな量の不注意な変更で、完全に削除できないまでも、大幅に金額が減少することがあります。
このため、変換で入力データを複雑化することは推奨できません。複雑な変換をすればするほど、最終的に残る知識は少なくなります。
それで...ただ、ハイマターについて声を大にして考えても、それが理解できずに終着駅にたどり着けずに道を進み続ける人もいるだろう......。
前々から思っていたのですが...。実際に
10×10のマトリックスがありますが、それについて何か言うことはありますか？
データ量は100です。
そして、このデータの情報量を計算し、これもある単位で表現することができる。このデータセットには、データ量と情報量以外に何が含まれているのでしょうか？答えるだけ無駄だ。知識の量です。これらはすべて、ターゲットとの関係において当然のことなのです。そこで、因果関係を見ると、次のようなモデルになる。
知識の量→データの量→情報の量。
つまり、予測するためには、情報の量ではなく、必要な値に関する「知識」だけをデータの集合から見つけ出すことが必要なのです。
知識というものは非常にもろいもので、不用意なデータ変換によって失われる可能性があります。1つの記録でも、わずかな量の不注意な変更があると、完全に削除されないまでも、大幅に金額が減少することがあります。
そのため、変換で入力データを複雑化することは推奨できません。複雑な変換をすればするほど、最終的に残る知識は少なくなります。
それで...ただ、高嶺の花を声に出して考えても、それが理解できず、終着駅にたどり着けずに道を進んでしまう人もいるでしょう......。
しかも、考えて数字を数十に切り上げたり、データを紛失したり、一般に考えることは有害であり、続ける人もいる...。
ご回答ありがとうございました。
線形回帰を適用して、特徴を追加することで、最もロバストな関係を特定するのはどうでしょうか？
https://www.mql5.com/ru/articles/349
しかし、金融市場では線形回帰は 機能しません。
では、相関関係はないのですか？マキシム・ドミトリエフスキーが 下の質問に答えてくれたと思う。
https://www.mql5.com/ru/articles/349
回答ありがとうございました。
クロスバリデーション、テストサンプリング、OOSなどのファンには、繰り返しで飽きない。
SanSanychとVladimir Perervenkoを中心に。
アウトオブサンプルテスト
これは最も一般的であり、また乱用される検証方法である。簡単に説明すると、アウトオブサンプルテストでは、戦略の開発後にテストに使用するデータの一部を確保し、将来のパフォーマンスについて不偏の推定値を得ることが必要です。ただし、標本外検定
標本が少ないため、検定の検出力が落ちる
多重比較で戦略を立てると、結果に偏りが出る。
つまり、標本外検定は一意な仮説の場合にのみ有効である。データマイニングによって開発された戦略に対して、サンプル外のテストを使用することは、そのプロセスに対する理解不足を示すものである。この場合、テストはストラテジーを拒否するために使うことはできても、受け入れることはできません。この意味で、このテストはまだ有用であるが、取引戦略の開発者は、多重比較によって開発された戦略のサンプル外における優れたパフォーマンスは、ほとんどの場合、ランダムな結果であることを知っている。
多重比較バイアスの存在に対して標本外有意性を補正する方法がいくつか提案されているが、ほとんどすべての実際のケースで、結果は有意でない戦略である。しかし、文献1で2つの主要な市場レジームに対応する2つの例で示したように、バイアスの補正を適用した後でも、市場の変化により非常に有意な戦略が失敗することもあるのだ。したがって、サンプル外テストは、将来のリターンが過去のリターンと同一の方法で分布している場合にのみ、将来のパフォーマンスの不偏推定となります。つまり、非定常性はサンプル外検定の結果を無効化する可能性がある。
結論：標本外検定は固有の仮説にのみ適用され、定常性を仮定 する。この場合は有効ですが、これらの条件を満たさない場合は、かなり誤解を招く 可能性があります。
ROSは、仮説のキャンセルや、既知の定常的な問題のみに使用することができます。
しかし、検索戦略や機能選択/システムの安定性評価には使えない