Machine learning and data mining Problems Clustering Dimensionality reduction Ensemble learning Anomaly detection Theory An artificial neural network is an interconnected group of nodes, akin to the vast network of neurons in a brain. Here, each circular node represents an artificial neuron and an arrow represents a...
狂気はない。ネットワークに対する深い理解がある。ここで述べるには長い時間がかかるし、意味がない。そこで、私の意見を簡単に述べるにとどめます。同意しない人は、発言し、例を挙げ、なんならルネサンス・テクノロジーでも いい。一緒に笑いましょう。
ネットワークに対する深い理解がある。ここで設定すると時間がかかるし、意味がない。
狂気はない。ネットワークに対する深い理解がある。ここで述べるには長い時間がかかるし、意味がない。そこで、私の意見を簡単に述べるにとどめます。同意しない人は、発言し、例を挙げ、なんならルネサンス・テクノロジーでも いい。一緒に笑いましょう。
今、例を挙げるのは無理でしょうが、将来、端末、プログラミング言語、ツールの進化で、本格的なAIが作れるようになるでしょう。多くの偉人が進歩を誤り、ある者はそのうちに考えを変え、ある者はそのために失敗しているので、待つべきでしょう。
数学者2名、物理学者2名、神経生物学者2名、経済学者2名
悪循環です!
NSの入力に必要なものがわかっていれば、NSの意味がない。
そして、インプットにモノを供給すれば、NSは不要になる。
つまり、「ニューラルネットワークはデタラメだ」という結論ですか!=)
本当に重要な情報はNSに流すべきだと思います。
1)直近の相場、例えば直近10時間のバー（NSがレベルやパタンを検出できるようにするため）。
2)現在時刻（ニュースや市場のオープンがラウンドタイム値で発生するため、NSはボラティリティの急上昇を予想するタイミングを知ることができる）。
3)マクロ経済指標（できればリアルタイムで、MT5でどのように、どこから入力するかは不明）。
4)地域別の好悪ニュース(実装方法が分からない、悪・善のニュース比率は入力できるが、MT5へのフィード方法、どこから人手を介さず自動フィードするかが分からない)。
今はまだ例を挙げることはできないかもしれませんが、将来、端末やプログラミング言語、ツールの進化とともに、本格的なAIを作ることが可能になるでしょう。多くの偉人が進歩を誤り、ある者はそのうちに考えを改め、ある者はそのために失敗しました。だから、私たちは次の時を待たなければなりません
(彼らが集まって本当に動くものを作ることはない))、さらに、これらのニューラルネットワークがすでに存在しないという保証はなく、誰かの端末でひっそりと動いているのだろう人工ニューラルネットワークの進歩は1943年に始まり、69年経っても猫と犬を見分けることすらできていない。うまく使われている分野もありますし、データに大きな非線形変換が必要でない分野もあります。例えば、時間帯や気温から電力消費量を予測すること。工場受注、個人所得、失業率などからGDP成長率を予測する。市場では、ネットワークは過去の価格に基づいて意思決定をしなければならない。Nの過去の価格そのものをネットワークの入力として与えるのはダメなので、ノイズの多いデータの間に非線形関係を確立するのは愚かなことです。例えば、N個の過去の価格のうち、最も重要な瞬間は1つか2つのセグメント、すなわちこれらの価格が支持線や抵抗線、トレンドラインに到達したり、その方向を変えたりするセグメントでしかありえない。これらの重要なセクションの間で価格がどのように動くかは、ほとんどの場合、重要ではありません。つまり、このような非線形変換によって、データの次元数Nは2〜3倍と大幅に削減される。ネットワークそのものが、このような価格の非線形変換を行うことを学ぶことはないだろう。それは、私たち次第なのです。しかし、価格をどうするかということが分かっていれば、すでに事前に戦略（例えばレベルの内訳）が分かっているわけで、なぜネットワークが必要なのでしょうか。トレンドの1-2-3パターンがトレンドの継続につながるとわかっているのなら、なぜネットが必要なのでしょうか？もしかしたら、将来はコンピュータの性能が上がり、より生物に近い新しいタイプのネットワークができるかもしれません（20〜30年後かもしれませんね）。
ネットワークのデメリットについては、こちらもよく読まれています： https://en.wikipedia.org/wiki/Neural_network
例えばこの一節。
大規模で効果的なソフトウェアニューラルネットワークを実装するためには、多くの処理資源とストレージ資源を投入する必要がある。脳は、ニューロンのグラフを通して 信号を処理するタスクに合わせたハードウェアを持っていますが、フォン・ノイマン 技術で最も単純化した形であっても、NNデザイナーはその接続のために何百万ものデータベース 行を埋める必要があり、これは膨大なコンピュータメモリと ハードディスク 領域を消費する可能性があります。さらに、NNシステムの設計者は、これらの接続と関連するニューロンの多くを介した信号の伝達をシミュレートする必要があり、これには膨大なCPU 処理能力と時間が必要とされることが多いのです。ニューラルネットワークは、効果的な プログラムを生成することが多い反面、効率性を 犠牲にしていることが多い（かなりの時間とコストを消費する傾向がある）。
今はまだ例を挙げることはできないだろうが、将来的には端末やプログラミング言語、ツールの進化によって、本格的なAIを作ることが可能になるだろう。多くの偉人が進歩を誤り、ある人はそのうちに考えを改め、ある人はそのために失敗しているので、我々は待つしかないのである
また、ターミナルとMQL5は関係なく、AI全般、特にMUは、MTにライブラリとして追加するなど、他のツールを使って（完全に）実装することを昔から誰も禁じているからです。
問題は、グリッドを作って教えることではない（情報はたくさんあるし、既製の実装もあるので、やり方は明確である）。メッシュの問題は全く別で、実際ここでも声が上がっているのですが、メッシュの有効性は、それを学習させる入力データの選択に全て「埋没」してしまうのです。そして、正しいデータを選択し、正しく変換すること（例えば、ある理論によれば、相場の変化という外的要因に隠れた確率過程のアトラクタを形成する多次元空間への変換）、これは最も貴重なノウハウですが、実際には役に立つ情報に出会ったことがありません。上記のブランチで提案されていることはすべてすでに試されていますが、もちろん成功はしていません。例えば、マクロの指標はグリッドがなくても、正しい解釈の仕方を知っていれば、手を動かしてトレードすることができますから。ニュースが指標にならないのは、第一に、それに対する反応は事後的なものになり、ニュースが市場に出る前になんとなく動きを予測して判断したい、第二に、ニュースに対する反応は予測できない、例えば：日本で地震が起きた-円は悪いと思われるが、実は需要が増えた、また、ニュースはネガティブであるが予想よりネガティブ度は低く、市場を上げる理由と認識される、などということが多い。一般に、あらゆることが試みられています。何かで成功した人は（いたとしても）ここに座らない。そして、その経験を共有することはない。
市場におけるネットワークについての議論の続きです。私たちの脳の視覚野を例にとってみましょう。この大脳皮質は6層しかないのに、V1層だけが1億4千万個のニューロンを含んでいます。これらのニューロンはすべて並行して情報を処理し、数百万個の適応型シナプスを介して互いに接続されている。トレーダーが自由に使えるコンピューターは、最大で1000個のCPUコアを搭載することができます。つまり、視覚野を模倣するためには、各コアが数十万個のニューロンをリアルタイムで計算する必要があるのだ。このようなネットワークの育成には、1年程度かかると思います。それもこれも、世界を見るため、イメージを認識するため。このネットワークをうまく学習させることができたとしても、私たちが使っているのは視覚情報だけではありませんから、物体の認識精度は同じにはなりません。例えば、人工ネットワークで最も難しい課題のひとつに「影の認識」があります。これは、光の性質を熟知している私たちにとって、当然のことです。しかし、ネットワークはこのような光の性質を知らないので、こちらから教えない限り、検出することはできません。また、ネットワークはオブジェクトの透過性などには疎い。視覚情報よりもはるかにノイズが多く、オブジェクト（価格パターン）が大きく歪んでいるマーケットを例にとると。そして、数十人の神経細胞が過去の価格を見て、相場のパターンを決めてほしいのです。バカバカしいでしょ？
市場におけるネットワークについての議論の続きです。私たちの脳の視覚野を例にとってみましょう。この大脳皮質は6層しかないのに、V1層だけが1億4千万個のニューロンを含んでいます。これらのニューロンはすべて並行して情報を処理し、数百万個の適応型シナプスを介して互いに接続されている。トレーダーが自由に使えるコンピューターは、最大で1000個のCPUコアを搭載することができます。つまり、視覚野を模倣するためには、各コアが数十万個のニューロンをリアルタイムで計算する必要があるのだ。このようなネットワークの育成には、1年程度かかると思います。それもこれも、世界を見るため、イメージを認識するため。このネットワークをうまく学習させることができたとしても、私たちが使っているのは視覚情報だけではありませんから、物体の認識精度は同じにはなりません。例えば、人工ネットワークで最も難しい課題のひとつに「影の認識」があります。これは、光の性質を熟知している私たちにとって、当然のことです。しかし、ネットワークはこのような光の性質を知らないので、こちらから教えない限り、検出することはできません。また、ネットワークはオブジェクトの透過性などには疎い。視覚情報よりもはるかにノイズが多く、オブジェクト（価格パターン）が大きく歪んでいるマーケットを例にとると。そして、数十人の神経細胞が過去の価格を見て、相場のパターンを決めてほしいのです。バカバカしいでしょ？
もう一つ例を挙げます。
RBCのサイトを見てみると、今日のニュースは137件あり、そのうちルーブルの為替に実際に影響を与えるものは3件だけだった。そして、ニュースでは語られない効果がある可能性が非常に高いのです。
つまり、入力ストリームを非常に注意深くフィルタリングする方法を学ぶ必要があるだけでなく、入力ストリームには、これらまたはこれらの価格変動の理由を記述する情報がないことも十分にあり得るのである。
一般に、暖かさと柔らかさを混同してはいけない。機械はもともと、単調な、あるいは勉強した人間の労働を代替するために作られたものです。トレーディングの領域に限って言えば、参加者の大半が自分のやっていることを理解しておらず、それが結果に表れている。将来の結果を保証するような明確な原則はない、M3ドルやSP500の動静をみれば、buy&hold戦略でさえ損をしていることがわかる。では、機械はどうすればいいのか。また、単調に負けていくのか...。
芸術のための芸術とはいえ、生きる権利もあるのです。