記事「知っておくべきMQL5ウィザードのテクニック(第14回):STFによる多目的時系列予測」についてのディスカッション 新しいコメント MetaQuotes 2024.05.27 08:45 新しい記事「知っておくべきMQL5ウィザードのテクニック(第14回):STFによる多目的時系列予測」はパブリッシュされました: データのモデリングに「空間」と「時間」の両方の測定基準を使用する空間的時間的融合は、主にリモートセンシングや、私たちの周囲をよりよく理解するための他の多くの視覚ベースの活動で有用です。発表された論文のおかげで、トレーダーへの可能性を検証することで、その活用に斬新なアプローチを取ります。 SpatiaTemporal Fusion(STF)に関するこの論文で、予測に対する両面からのアプローチのテーマに対する興味をそそられました。おさらいしておくと、本稿は、UberやDidiのような双方向ライドヘイリングプラットフォームにおける需要と供給の両方について協調する確率ベースの予測問題を解くことに着想を得ています。協調的な需要と供給の関係は、Amazon、Airbnb、eBayなどのさまざまな両面市場で一般的です。本質的に、企業は従来の「顧客」または購入者にサービスを提供するだけでなく、顧客のサプライヤーにも対応します。 そのため、供給が一部需要に依存しているケースでの両面予測は、こうした企業にとって頻繁に重要な意味を持つことになります。しかし、この需要と供給の二重の予測は、時系列やデータセットに特定の値を予測するという従来のアプローチとは一線を画すものでした。また、この論文では、需要と供給の因果的な「協調」関係を行列Gで捉え、すべての予測を変圧器ネットワークを介しておこなうという、causaltransのフレームワークと呼ばれるものを導入し、その結果は注目に値するものでした。 そこからヒントを得て、私たちは、弱気と強気をこの2つの指標の代用として使用することで、取引される証券の需給を予測しようと考えています。しかし厳密に言えば、典型的なExpertSignalクラスは、MQL5ライブラリファイルやこれまでこの連載でコーディングしたファイルを見ればわかるように、これらの値を0~100の範囲の整数として計算しています。しかし新しいのは、予測をおこなう際に空間行列と時間パラメータを追加することでしょう(論文から引用した2つの追加入力)。 取引証券の空間的量子化は主観的なものであり、時間メトリックの選択も主観的なものです。需要と供給のアンカーとしてセキュリティの高価格と低価格のシリーズを使用し、これらのバッファ間の自己相関値を空間行列の座標として使用し、曜日インデックスを時間指標として使用します。この初歩的なアプローチは、カスタマイズや改良が可能であり、この記事の目的には適しています。 この論文ではtransformerネットワークを使用していますが、私たちの目的には非効率的なので使用しません。すべての予測はカスタムメイドのハンドコーディング多層パーセプトロンを使用します。多層パーセプトロンに関するライブラリやコードサンプルはたくさんあるので、自分でコーディングしようとするのは時間の無駄に思えるでしょう。しかし、使用されているネットワーククラスは300行にも満たない長さで、層の数や各層のサイズをカスタマイズする限りでは、それなりにスケーラブルです。これは、利用可能なほとんどの定型ライブラリにはまだ欠けています。 作者: Stephen Njuki 新しいコメント 取引の機会を逃しています。 無料取引アプリ 8千を超えるシグナルをコピー 金融ニュースで金融マーケットを探索 新規登録 ログイン スペースを含まないラテン文字 このメールにパスワードが送信されます エラーが発生しました Googleでログイン WebサイトポリシーおよびMQL5.COM利用規約に同意します。 新規登録 MQL5.com WebサイトへのログインにCookieの使用を許可します。 ログインするには、ブラウザで必要な設定を有効にしてください。 ログイン/パスワードをお忘れですか? Googleでログイン
新しい記事「知っておくべきMQL5ウィザードのテクニック(第14回):STFによる多目的時系列予測」はパブリッシュされました:
データのモデリングに「空間」と「時間」の両方の測定基準を使用する空間的時間的融合は、主にリモートセンシングや、私たちの周囲をよりよく理解するための他の多くの視覚ベースの活動で有用です。発表された論文のおかげで、トレーダーへの可能性を検証することで、その活用に斬新なアプローチを取ります。
SpatiaTemporal Fusion(STF)に関するこの論文で、予測に対する両面からのアプローチのテーマに対する興味をそそられました。おさらいしておくと、本稿は、UberやDidiのような双方向ライドヘイリングプラットフォームにおける需要と供給の両方について協調する確率ベースの予測問題を解くことに着想を得ています。協調的な需要と供給の関係は、Amazon、Airbnb、eBayなどのさまざまな両面市場で一般的です。本質的に、企業は従来の「顧客」または購入者にサービスを提供するだけでなく、顧客のサプライヤーにも対応します。
そのため、供給が一部需要に依存しているケースでの両面予測は、こうした企業にとって頻繁に重要な意味を持つことになります。しかし、この需要と供給の二重の予測は、時系列やデータセットに特定の値を予測するという従来のアプローチとは一線を画すものでした。また、この論文では、需要と供給の因果的な「協調」関係を行列Gで捉え、すべての予測を変圧器ネットワークを介しておこなうという、causaltransのフレームワークと呼ばれるものを導入し、その結果は注目に値するものでした。
そこからヒントを得て、私たちは、弱気と強気をこの2つの指標の代用として使用することで、取引される証券の需給を予測しようと考えています。しかし厳密に言えば、典型的なExpertSignalクラスは、MQL5ライブラリファイルやこれまでこの連載でコーディングしたファイルを見ればわかるように、これらの値を0~100の範囲の整数として計算しています。しかし新しいのは、予測をおこなう際に空間行列と時間パラメータを追加することでしょう(論文から引用した2つの追加入力)。
取引証券の空間的量子化は主観的なものであり、時間メトリックの選択も主観的なものです。需要と供給のアンカーとしてセキュリティの高価格と低価格のシリーズを使用し、これらのバッファ間の自己相関値を空間行列の座標として使用し、曜日インデックスを時間指標として使用します。この初歩的なアプローチは、カスタマイズや改良が可能であり、この記事の目的には適しています。
この論文ではtransformerネットワークを使用していますが、私たちの目的には非効率的なので使用しません。すべての予測はカスタムメイドのハンドコーディング多層パーセプトロンを使用します。多層パーセプトロンに関するライブラリやコードサンプルはたくさんあるので、自分でコーディングしようとするのは時間の無駄に思えるでしょう。しかし、使用されているネットワーククラスは300行にも満たない長さで、層の数や各層のサイズをカスタマイズする限りでは、それなりにスケーラブルです。これは、利用可能なほとんどの定型ライブラリにはまだ欠けています。
作者: Stephen Njuki