マトリックスパッケージの研究 - ページ 7

 
http://quantquant.com/viewtopic.php?f=7&t=1236
 
zaskok3:
http://quantquant.com/viewtopic.php?f=7&t=1236

このリンクは何のため?短いコメントをいただけると助かります。

例:RやPythonのチュートリアルへのリンク集。

リンクの内容については、ワイドショーからすべてスクープしたのでしょうか?あるいは、何か好みがあるのでしょうか?Pythonの中でも、pyBrainは最も興味深く、研究・応用に値するものです。Rのパッケージにはないネットワークを実装しています。議論のためでもなく、批判のためでもなく、ただ通り一遍の発言。

グッドラック

 
Vladimir Perervenko:

1.はい。

2.なぜ?Rにデータを送信し、結果を受信するゲートウェイである単一のMT4R.dllが必要です。

3.既存の全データベースへそれだけでなく、マイクロソフトもオラクルもRをデータベースに統合している。

4.Rは、Matlabファイルの単純な交換から、RからのMatlab関数の実行まで、Matlabとの様々な相互作用のオプションを実装しています。この分野の経験や専門知識があれば、Rで優れたMatlab-MTterminal連携を実装することができます。

5.Rでは、科学技術のあらゆる方向に対応し、最新の成果を考慮したパッケージが実現されています。ここから スタートしてもよい。

6.1つだけではありません。最も一般的なのはffです。

全般的に驚きました。人里離れたところにいるんですね。このサイトの記事1と2に 目を通せば、多くを理解することはできませんが、言語の仕組みがわかると思います。

深層学習の第2回目の記事を仕上げているので、明日には修正版を送り、例題はエキスパートに添付したいと思います...。もし興味があれば、初期レベル(フィルタリング、分解、予測など)の記事をいくつか書いてみようと思います。そしてもちろん、ディープラーニングについて掘り下げ続けてください。特に、GoogleがTensorFlow ライブラリを誰でも使えるように開放したことが大きいです。また、それに劣らず興味深く、将来性のあるものが他にもあります(mxnet、pyBrain)。

愛好家が集まれば、R言語ユーザーの支部を組織することも可能です。

グッドラック

良い記事ですありがとうございます。調べてみないとわからないですね。しかし、NSの代わりにSVM、GBM、xGBoostを試してみるつもりです。
 
Alexey Burnakov:
良い記事ですねー。ありがとうございます。気にして調べないといけない。しかし、NSの代わりにSVM、GBM、xGBoostを試してみるつもりです。
SVM、ada、randomforest。すべて、これらのパッケージをガラガラポンして運動した後の話です。そしてその後、予測因子選択 パッケージ
 
Alexey Burnakov:
良い記事ですねー。ありがとうございます。調べてみないとわからないですね。しかし、NSの代わりにSVM、GBM、xGBoostを試してみるつもりです。

全部試してみてください。

私のお気に入りはrandomForestで、様々な改良が加えられています(主な利点は、入力の前処理を必要としないことです)。そしてまた、ada- 非常に高い品質スコア。どちらも、学習曲線が非常に長く、オーバートレーニングになりやすいという2つの欠点があります。

だからといって使ってはいけないというわけではなく、あくまでも迷惑行為に配慮する必要があるということです。

グッドラック

 
СанСаныч Фоменко:
SVM、ada、randomforest。すべて、これらのパッケージをガラガラポンしての演習の後です。そして、予測変数の選択用パッケージの後
サム・サンチ、私もこのパッケージは仕事でかなり実践しています。)))xGBoostだけは まだ触っていない。
 
Vladimir Perervenko:

全部試してみてください。

私のお気に入りはrandomForestで、様々な改良が加えられています(主な利点は、入力データの前処理を必要としないことです)。また、ada- 非常に高い品質スコア。どちらも、学習時間が非常に長く、過学習になりやすいという欠点がある。

だからといって、使わなくていいというわけではなく、これらの迷惑行為に配慮する必要があるということです。

グッドラック

第1条について質問させていただきます。取引エミュレーションチャートを見ると、アルゴリズムがすべてのバーで取引を行うようですね?

そしてもう一つ質問です。トレーニングの際、各バーからマシンデータも供給されたのでしょうか?

時系列問題が他の多くの統計的問題と異なる中心的な点は、時系列では観測値が相互に独立していないことである。むしろ、一つの偶然の出来事が後の全てのデータポイントに影響を与えることもある。このため、時系列解析は他の多くの統計学の分野とはかなり異なっている。

この非依存性のために、時系列データの背後にある真のパターンを目視で確認することは非常に困難である。新聞に掲載された一般的な株価平均のチャートを見ると、誰でも数週間から数ヶ月にわたって続くようなトレンドを目にすることができる。しかし、統計学の専門家は、このような傾向は偶然に起こるのと同じ頻度で起こり、ある日の株価の動きと次の日の動きにはほとんど相関がないとしている。もし、そのような相関関係があれば、誰でも今日のトレンドが明日も続くことに賭けて株式市場で儲けることができるのだが、そう簡単にはいかないのだ。実際、ほぼすべての乱数列を累積すると、非乱数のように見えるパターンが得られる。

From:http://node101.psych.cornell.edu/Darlington/series/series1.htm

要は、時系列の全ポイントをトレーニング(とテスト)に参加させるという正攻法では、相互に依存する観測結果が生まれ、見つかった「パターン」に関する結論の妥当性が一挙に覆されてしまう、ということだと理解しています。簡単に言えば、他のすべてが正しく行われたとしても、その結果は信頼できないのです。時系列から統計的仮定に反しない観測値のサンプルを作成することは、それゆえアーカイブとなる。このステップは、一般的な情報源では単に無視されることが非常に多く、その結果、最も嘆かわしいことになります。機械がパターンを学習することはありません。

 
Alexey Burnakov:

第1条について質問させていただきます。取引エミュレーションチャートを見ると、アルゴリズムがすべてのバーで取引を行うようですね?

そしてもう一つ質問です。トレーニングの際、各バーのデータも機械に供給したのでしょうか?

From:http://node101.psych.cornell.edu/Darlington/series/series1.htm

要は、時系列の全ポイントをトレーニング(とテスト)に参加させるという単純なアプローチでは、相互に依存する観測結果が生まれ、見つかった「パターン」に関する結論の妥当性を一挙に覆してしまう、ということだと理解してよろしいでしょうか。簡単に言えば、他のすべてが正しく行われたとしても、その結果は信頼できないのです。時系列から統計的仮定に反しない観測値のサンプルを作成することは、それゆえアーカイブとなる。このステップは、一般的な情報源では単に無視されることが非常に多く、その結果、最も嘆かわしいことになります。機械がパターンを学習することはありません。

午後

アルゴリズムが全てのバーで取引をしていると?

いいえ、アルゴリズムは、最後に形成されたバーで受信した信号で取引を実行します。もしかして、質問の意味がわからない?

もう1つ質問です。トレーニング中にExpert Advisorにすべてのバーのデータを供給しましたか?

私には理解できない。説明しますか?答えてみる。

グッドラック

 
Alexey Burnakov:

第1条について質問させていただきます。取引エミュレーションチャートを見ると、アルゴリズムがすべてのバーで取引を行うようですね?

そしてもう一つ質問です。トレーニングの際、各バーのデータも機械に供給したのでしょうか?

From:http://node101.psych.cornell.edu/Darlington/series/series1.htm

要は、時系列の全ポイントをトレーニング(とテスト)に参加させるという単純なアプローチでは、相互に依存する観測結果が生まれ、見つかった「パターン」に関する結論の妥当性を一挙に覆してしまう、ということだと理解してよろしいでしょうか。簡単に言えば、他のすべてが正しく行われたとしても、その結果は信頼できないのです。時系列から統計的仮定に反しない観測値のサンプルを作成することは、それゆえアーカイブとなる。このステップは、一般的な情報源では単に無視されることが非常に多く、その結果、最も嘆かわしいことになります。機械がパターンを学習することはありません。

ご紹介の記事は、回帰に関するものです。私たちは、分類を扱っています。それは2つの大きな違いです...。

まだ質問が理解できません。

グッドラック

 
Vladimir Perervenko:

ご紹介の記事は、回帰に関するものです。私たちは、分類を扱っています。この2つが大きな違いです...。

まだ質問が理解できません。

グッドラック

議論している皆さんに一応質問です。ティックデータを 扱うのですか?私はずっと前にバー分析から離れ、DSP方式一本で仕事をしています。