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 99

新しいコメント
 
DAFomenko：

分類は万能薬でもなければ、聖杯を作る道具でもない。

分類の応用は、まず道具が適用できる問題に道具を適用することである。例えば、金融市場にスペクトル分析を適用するアイデアは何度も議論され、どれも一見素晴らしいツールに見えますが、他の対象については、ああ、ダメだ、また提供された。

2番目。この分類は、金融市場にもかなり当てはまるが、上に書いたようにトラブルも多い。しかし、分類では、主な問題、つまりTSの再トレーニング（オーバーフィット）の問題を置くことができます。これ以上、重要なことがあるでしょうか？もちろん、お気に入りの品を持っているという幻想を奪われるのはいいことではありません。しかし、ここで、幸せもいいが、真実のほうがいいのか、という選択をするのです。

3つ目。分類は、「何を予測するのか」ということを具体的に問うものです。TAと比較してみましょう。指標をとっています。常にバーである[1]。現在のバーが使用されていない。H1にはどんな意味があるのでしょうか？1時間ごとの鮮度情報を使って、市場参入を 予測する!これはベストケースでの話です。

これは分類上まったく違う。ターゲット変数の現在値を取り、昨日の生データと照合し、ターゲットを1本または複数本シフトさせる。このようなデータに適合したモデルを用いると、次のバーが来たときに常に現実的に未来を予測することができるのです。

PS.

市場の急激な動き（ニュース）を予測するために使うのであれば、ターゲットとなる変数をなんとか生成できれば成功ですが、もっと単純なケースでは大きな問題です。

私はこのすべてに賛同しています。

スペクトラムは使ったことがないのでわかりません。

2番目。分類は金融市場にもかなり当てはまるのですが、上に書いたように複雑な部分が多いのです。しかし、分類するときに主な問題、つまりTSの再学習（オーバーフィット）の問題を置くことができます。これ以上、重要なことがあるでしょうか？もちろん、お気に入りの品物を手に入れたという幻想を奪われるのはいいことではない。しかし、ここで、幸福もいいが、真実のほうがいいのではないか？

そこだ、そこ！問題はただ一つ、過剰な教育です。そして、それは誰にでも重くのしかかる。裏を返せば、低学歴（どこもかしこも悪い結果）なのです。

モンテカルロも含めて、いいグラフを載せていますね。基本的には、サンプル外のセグメントに対して、モデルを学習させることなく、データをフィッティングしてしまったという結論に達しました。私は、サンプル外を通過するモデルがうまくいっているようです。しかし、問題は、サンプル外を見るまでは、うまくいくモデルを選ぶことができないことです。それは残念です。

 
アレクセイ・ブルナコフ


そこだ、そこ！問題はただ一つ、再教育です。

私としては、問題はもう一つなんですよ、その......。
 
mytarmailS:
問題は全く別のところにあると思いますよ......。
ただ、いろいろと大変なんです。そして、データ、予測因子、モデルが揃ったところで、実験計画を並べる。モデルが再トレーニングされるかどうかは確認が必要ですが、再トレーニングされる傾向にあります。(純粋に私の経験です）。
 
ユーリ・エフシエンコフ

L 私は医者なんですか？ここで、Sanychが書いています。

"ここでは、次の小節を予測する際に前の状態を考慮しない、分類に基づく予測について説明しています。分類に基づく予測（予報）とは、パターンに基づく予測である。また、過去に過去の値から導かれない（外挿されない）変化があった場合、分類はその変化をそのように捉え、将来同様の変化（全く同じではないが、似ている）があれば、それを認識し正しい予測をすることができます。"

だから、その方向で掘り下げる価値があると思います。「分類は、そのような変化をキャッチ する」．

はじめはまったくその通りです。ようやく分別のある人たちが支店に現れた。そして、そのパターン自体が予測的な要素を持っており、重要なのはパターンそのものではなく、それに対する市場の反応なのです。そして、この反応が訓練時のものと同じであれば、ネットは正しい結論を導き出すのです。つまり、こんな感じなんですね...。
 
ミハイル・マルキュカイツ
やっとスレッドに良識ある人が出てきましたね。
よく考えてみた？
 
mytarmailS:
よくお考えになられましたか？
いつもそうなんです。下手に考えてもうまくいかない :-)
 
ミハイル・マルキュカイツ
いつもそうしています。下手に考えてもうまくいかない :-)

やだ

 
アレクセイ・ブルナコフ

モンテカルロも含めて、いいグラフを載せていますね。基本的には、サンプル外のセグメントに対して、モデルを学習させることなく、データをフィッティングしてしまったという結論に達しました。私は、サンプル外を通過するモデルがうまくいっているようです。しかし、問題は、サンプル外れを確認するまでは、作業モデルを選択できないことです。それは残念です。

委員会を試されましたか？gbmは同じデータに対して同じパラメータで複数回学習させると、新しいデータでの結果が毎回微妙に違ってきます。ランダムに1つのモデルを選ぶとしたら、もしかしたら運良くトレードがうまくいくかもしれないし、そうでないかもしれない、そんな風に推測することはできません。この場合、何十（何百？）ものモデルを訓練し、最終的には大多数のモデルによって予測された結果が得られることになります。

例：左側は100モデルのトレード結果のシミュレーション。1機種だけでは、ほぼ50％の確率で負けることがおわかりいただけると思います。
右側は、これらのモデルの委員会によって取引されている、任意のランダムなしで、すべてが明確で、ほぼ安定した上方である。

 
mytarmailS:

実験は真理の基準である-考えるな、実行せよ

個人的には、スペクトル解析の方が期待できると思うのですが、あくまで 私個人の意見です...。

まずは考えてみてはいかがでしょうか？オオカミだって、やせっぽちのウサギを追いかけるかどうか、考えるんです。獲物から得るエネルギーよりも、無駄にするエネルギーの方が多いこともあります。
 
DAFomenko

分類の応用は、まず道具が適用できる問題に道具を適用することである。例えば、金融市場にスペクトル分析を適用するアイデアは何度も議論され、どれも一見素晴らしいツールに見えますが、他の対象については、ああでもない、こうでもないと、また提案されるのです。

2番目。この分類は、金融市場にもかなり当てはまるが、上に書いたようにトラブルも多い。しかし、分類では、主な問題、つまりTSの再トレーニング（オーバーフィット）の問題を置くことができます。これ以上、重要なことがあるでしょうか？もちろん、最愛の聖杯を持っているという幻想を奪われるのは気持ちのいいものではありません。しかし、ここで、幸せもいいが、真実の方がいいのか、という選択があります。

3つ目。分類は、「何を予測するのか」ということを具体的に問うものです。TAと比較してみましょう。指標をとっています。常にバーである[1]。現在のバーが使用されていない。H1にはどんな意味があるのでしょうか？1時間ごとの鮮度情報を使って、市場参入を 予測する!これはベストケースでの話です。

これは分類上まったく違う。ターゲット変数の現在値を取り、昨日の生データと照合し、ターゲットを1本または複数本シフトさせる。このようなデータに対して適合モデルを用いると、次のバーが来たときに常に現実的に未来を予測することになる。

もし、相場の急な動き（ニュース）を予測するために使うのであれば、ターゲットとなる変数を生成できれば成功ですが、これはもっと単純なケースで大きな問題です。

Sanychの関係者ですか？

はい、そうです。Naive Bayesian Classifierは、スパムをフィルタリングするものですが、ここで使えるかどうか？

ニュースに関しては、まさか！？一部のニュースでは、あらゆる隙間で再教育が行われ、本当に大変なことになってしまうでしょう。例を 挙げました。

1...9293949596979899100101102103104105106...3399
新しいコメント
理由: