キャナルの作り方をご存知ですか？ - ページ 3

新しいコメント
 

非線形回帰とは機械学習モデルの ことで、モデルの主な問題はオーバーフィット、つまり、すでに上で書いたように、グラフの現在のスライスにオーバーフィットすることである。このモデルは常に新しいデータで調整されているため、ある時点で効率がゼロになる傾向があります。これを防ぐために、クロスバリデーションとアウトオブサンプルテストを使用する必要があります。テスターで実行しなくても、多少なりともこのテーマに詳しい人なら、このチャンネルが実際のデータでは機能しないことをすぐに理解できるだろう

 
Maxim Dmitrievsky:

非線形回帰とは 機械学習モデルのことで、モデルの主な問題はオーバーフィット、つまり、すでに上で書いたように、グラフの現在のスライスにオーバーフィットする ことである。このモデルは常に新しいデータで調整されているため、ある時点で効率がゼロになる傾向があります。これを防ぐために、クロスバリデーションとアウトオブサンプルテストを使用する必要があります。テスターを使わなくても、多少なりともこのテーマに詳しい人なら、このチャンネルが実データでは使えないことはすぐに理解できるだろう。


N次多項式差分方程式はこのような欠点がない。そのうち、この方程式でもチャンネルをテストしてみようと思います。

 
Aleksey Panfilov:

N次多項式の差分方程式はこのような欠点がない。そのうち、この方程式もチャンネルをチェックしてみようと思います。


は何ですか？)差分方程式、なぜ奪われるのか？

 
Maxim Dmitrievsky:

は何ですか？)差分方程式、なぜ奪われるのか？

厳密にはそうでないとしても。

古典的なEMAの公式をとれば、1次の差分方程式、（ただし2次-具体的な次数は定規や型のような次の点の数によって決まる）線がプロットされ、アルキメデスのてこの完全なアナログである。補間する。前回計算されたポイントと最後の価格値を使って、次のポイントは計算されたポイントに隣接して作られ、再描画されません。

2次の多項式では、事前に計算した2つのポイントと最後の価格（私はオープンポイントまたは最後から2番目のバーの中央値をとります）を使用して、最初の2つに隣接するポイントが描画され、また再描画されません。といった具合に。つまり、2次の多項式をもとに計算した隣接する3点を用いて、最初の3点から与えられた距離を持つ4点を構築する。この点も描き直しはしていません。

必要に応じて、描画線の可視化（つまり、ループ内の任意の点までのすべての隣接する点の計算）のモードを有効にすることができ、これらの描画線は新しい価格から毎回再描画されます。

計算式の例

      a1_Buffer[i]=((open[i] - Znach)    +5061600*a1_Buffer[i+1 ]-7489800   *a1_Buffer[i+2 ]+4926624*a1_Buffer[i+3 ]-1215450*a1_Buffer[i+4 ])/1282975;

      a2_Buffer[i]=  3160*a1_Buffer[i]   -6240   *a1_Buffer[i+1 ]    +  3081*a1_Buffer[i+2 ];

      a3_Buffer[i]=((open[i] - Znach)    +5061600*a3_Buffer[i+1 ]-7489800    *a3_Buffer[i+2 ]+4926624*a3_Buffer[i+3 ]-1215450*a3_Buffer[i+4 ])/1282975;

      a4_Buffer[i]=  2701*a3_Buffer[i]   -5328   *a3_Buffer[i+1 ]    +  2628 *a3_Buffer[i+2 ];

除算を伴う式（1番目と3番目）は補間（区間内の点を見つけること）です。

除算のない数式は外挿（最初の区間の外にある点を見つけること）です。

 
Aleksey Panfilov:
厳密にはそうでないとしても。

古典的なEMAの公式をとれば、1次の差分方程式、（ただし2次-具体的な次数は、定規や型のように次の点の数によって決まる）線がプロットされ、アルキメデスのてこの完全なアナログである。補間する。前回計算されたポイントと最後の価格値を使って、次のポイントは計算されたポイントに隣接して作られ、再描画されません。

2次の多項式では、事前に計算した2つのポイントと最後の価格（私はオープンポイントまたは最後から2番目のバーの中央値をとります）を使用して、最初の2つに隣接するポイントが描画され、また再描画されません。といった具合に。つまり、2次の多項式をもとに計算した隣接する3点を用いて、最初の3点から与えられた距離を持つ4点を構築する。この点も描き直しはしていません。

必要であれば、ラインを可視化 するモードを有効にし、これらのラインは新しい価格から再描画されるようにすることができます。

計算式の例

除算を伴う式（1番目と3番目）は補間（区間内の点を見つけること）です。

除算のない数式は外挿（最初の区間の外にある点を見つけること）です。


不思議なことだが、なぜこれで不安定な市場などを適切に予測できるのか、よくわからない...。

now reading this stuffhttp://blog.datadive.net/selecting-good-features-part-iv-stability-selection-rfe-and-everything-side-by-side/

 
Maxim Dmitrievsky:

は不思議ですが、例えば、不安定な市場を適切に予測する理由がよくわかりません...。

now reading this stuffhttp://blog.datadive.net/selecting-good-features-part-iv-stability-selection-rfe-and-everything-side-by-side/


これらの式も売買の予測を約束するものではなく、全履歴をもとに与えられた多項式や正弦波のカーブを構築するだけです。

実は回帰が入札を予測することを約束しないのと同じです。:)

 
Aleksey Panfilov:

これらの式は入札を予測することを約束するものではなく、全履歴をもとに与えられた多項式や正弦波のカーブを構築するだけである。

実際、回帰は入札を予測することを約束するものではありません。:)


というのも、すべての履歴を取得するとモデルが荒くなりすぎるし、少数の履歴を取得すれば常に再トレーニングされるからです。また、特徴の重要度によって 特徴の質と量を変え、クロスバリデーションを行えば、定期的に必要な規則性を捕らえるチャンスがあります

でも、めんどくさくて、ずっと使ったことを後悔していたのですが、もう後戻りはできないですね :)

 
Maxim Dmitrievsky:

私の主なアイデアは、ランダムフォレストを用いて、ある時間間隔で最も情報量の多い（現時点での）形質を自動的にサンプリングし、自動的に再トレーニングを行うことです...履歴全体を取得するとモデルが粗くなりすぎ、少し取得すれば常に再トレーニングされるからです...また、特徴の重要性を通じて 形質の質と量を変え、クロス検証を行えば、必要なパターンを定期的にキャッチする機会があります

でも、めんどくさくて、使ったことをずっと後悔していたのですが、もう戻れないんですね......。）


ここでは、すでにニューラルネットワークに入り込んでいますが、そこにはチャンネルはありません。:) コードの中にあるかもしれませんが。

しかし、慣性に基づく線や正弦波状の線には、視覚的なチャンネルを付けることができます。)

 
Aleksey Panfilov:

ここでは、すでにニューラルネットワークに突入しており、そこではチャンネルを見ることができません。:) コードの中にあるかもしれませんが。

しかし、慣性で構成された線や正弦波状の線に視覚チャネルを付けることは可能です。)


しかし、私は、TSのためのさまざまな種類の信号のほとんどは見逃され、あなたは平均に戻るための唯一の戦略を得るので、チャンネルにあまり意味を見いだすことはありません。

 
Maxim Dmitrievsky:

しかし、チャンネルでは、TSのためのさまざまな種類の信号のほとんどが見逃され、平均に戻るための唯一の戦略を得るので、私はあまり意味を見いだすことができません。


ご挨拶 マキシム！まさにその通りです。

12345678910...12
新しいコメント