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 2155 1...214821492150215121522153215421552156215721582159216021612162...3399 新しいコメント Aleksey Vyazmikin 2020.11.21 19:40 #21541 mytarmailS: モデルのTF不変の正規化について ...シリーズで、重要なブレイクポイントを特定します。極値点のみを残し、残りを削除するノーマライズここで、最初の系列のブレークポイント間の距離を取り、そこから新しい系列を作成し、正規化も行います。となり、振幅と時間（周波数）の両方で正規化された系列が得られます。必要なのは、パターンの極値の数を均等にすることであり、それ以外はすべて正規化される。したがって、モデルには、たとえ1分でも1週間でもデータを与えれば、それを同じものとして見ることができ、TFに対して不変のものとなるのです。1つの モデルで すべてのTFを一 度にトレーニングすることができます。=============================================何のためにあるのか、理解できていない人のためにこれは、モデルのパターンが1つで同じになるからです。 ほとんど同じですが、タイムとポイントだけは100％です。しかし、ここで時間を正規化することが提案されているのが理解できない。最短距離で？ Aleksey Vyazmikin 2020.11.21 19:42 #21542 マキシム・ドミトリエフスキー： は素早く推測した）ただ、誰もいない...。 何か見落としがあったのでしょうか？ Maxim Dmitrievsky 2020.11.21 19:43 #21543 Aleksey Vyazmikin： 何か見落としがあったのでしょうか？ そう、代名詞のハイフンです。 Valeriy Yastremskiy 2020.11.21 19:46 #21544 マキシム・ドミトリエフスキー： 馬鹿の一つ覚えでもう一度言うぞ。特徴空間には点が存在する。買う人もいれば、売る人もいる。これらの点が、売り買いの順序が守られないような形で動くことがあるとすると、つまり、データセットのスプレッドに関する情報が失われることになります。広がりは、点間または2つの点のクラス間のユークリッド距離と等しくすることができます。この情報の追加方法についてFNF、加速度など、Hに突っ込めるもの。これは、いわば認識を明確にするためです。 取引におけるスプレッドは、常に価格に対してマイナスである。 ZYは条件を悪化させる mytarmailS 2020.11.21 19:48 #21545 マキシム・ドミトリエフスキー カロッホは読め読め読め 読め読め.. .。 あの見開きで何がしたいのか、未だに理解できません（今日は明らかに脳の調子が悪いのか、何を言っていないのか・・・）。 何がしたいのか、なぜしたいのかも理解できない...。 Maxim Dmitrievsky 2020.11.21 19:49 #21546 mytarmailS: 読んだ、読んだ、 読んだ、読んだ 、 読んだ...。私はまだあなたがスプレッドでやりたいことを理解していない（私の脳は、明らかに今日は形になっていない、またはあなたが言わなかったこと....何をしたいのか、何のためにするのかも理解できない...。ヴァレリーに聞いてください、彼はコツをつかんでいるようです...。 他の表現を考えるのは難しいです mytarmailS 2020.11.21 19:49 #21547 Aleksey Vyazmikin： ほとんど同じですが、タイムとポイントだけは100％です。しかし、ここで時間の正規化がどのように提案されているのか理解できません。最短距離で？ 正規化 0-1 正規化 Aleksey Vyazmikin 2020.11.21 19:50 #21548 マキシム・ドミトリエフスキー： 既にラベルが付いたデータセットにおいて、ラベルに応じてスプレッドを特徴量から差し引いたり、追加したりした場合、どのような効果があるのでしょうか。特徴空間は分離可能な方が良いのでしょうか？ というのは、これはあくまでトレーニングのために行われていることは明らかです。 私が記事で使ったのはその方法で、ラベルを意味のある距離で広げることで、学習効果を大きく向上させることができました。通常、タグは本質的に回帰を置き換えるので、ゼロ(平均？)からの偏差が大きければ大きいほど、特徴の差が大きくなる可能性があり、小さなティーを考慮しないことでノイズを減らすことができるのです。しかし、これはイン/アウトの分類と、買い/売り/期待のトリプル分類で有効です。また、アプローチの成功は、基本的な戦略（形成されたもの、出現しているもの）にも依存すると思われます。さらに研究すること。 Maxim Dmitrievsky 2020.11.21 19:55 #21549 Aleksey Vyazmikin： これは私が論文で用いたアプローチで、点数を意味のある距離に分散させることで、学習効果をかなり高めることができました。通常、タグは本質的に回帰を置き換えているので、ゼロ(平均？)からの偏差が大きいほど符号の差が大きくなる可能性があり、小さなティーを考慮しないことでノイズを減らすことができるのです。しかし、これはイン/アウトの分類と、買い/売り/期待のトリプル分類で有効です。また、アプローチの成功は、基本的な戦略（形成されたもの、出現しているもの）にも依存すると思われます。今後の検討課題 今のところクラス分けを意識したハードリサンプリングしかしていませんが、もっと簡単な方法があると思います。 どのようにしたのか、どの手紙を読めばいいのか。 Aleksey Vyazmikin 2020.11.21 19:56 #21550 マキシム・ドミトリエフスキー： はい、代名詞をハイフンでつないでください 追加されました :) 1...214821492150215121522153215421552156215721582159216021612162...3399 新しいコメント 理由: キャンセル 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
モデルのTF不変の正規化について ...
シリーズで、重要なブレイクポイントを特定します。
極値点のみを残し、残りを削除する
ノーマライズ
ここで、最初の系列のブレークポイント間の距離を取り、そこから新しい系列を作成し、正規化も行います。
となり、振幅と時間（周波数）の両方で正規化された系列が得られます。
必要なのは、パターンの極値の数を均等にすることであり、それ以外はすべて正規化される。
したがって、モデルには、たとえ1分でも1週間でもデータを与えれば、それを同じものとして見ることができ、TFに対して不変のものとなるのです。
1つの モデルで すべてのTFを一 度にトレーニングすることができます。
=============================================
何のためにあるのか、理解できていない人のために
これは、モデルのパターンが1つで同じになるからです。
ほとんど同じですが、タイムとポイントだけは100％です。しかし、ここで時間を正規化することが提案されているのが理解できない。最短距離で？
は素早く推測した）ただ、誰もいない...。
何か見落としがあったのでしょうか？
何か見落としがあったのでしょうか？
そう、代名詞のハイフンです。
馬鹿の一つ覚えでもう一度言うぞ。
特徴空間には点が存在する。買う人もいれば、売る人もいる。
これらの点が、売り買いの順序が守られないような形で動くことがあるとすると、つまり、データセットのスプレッドに関する情報が失われることになります。
広がりは、点間または2つの点のクラス間のユークリッド距離と等しくすることができます。
この情報の追加方法についてFNF、加速度など、Hに突っ込めるもの。これは、いわば認識を明確にするためです。
取引におけるスプレッドは、常に価格に対してマイナスである。
ZYは条件を悪化させる
カロッホは読め読め読め 読め読め.. .。
あの見開きで何がしたいのか、未だに理解できません（今日は明らかに脳の調子が悪いのか、何を言っていないのか・・・）。
何がしたいのか、なぜしたいのかも理解できない...。
読んだ、読んだ、 読んだ、読んだ 、 読んだ...。
私はまだあなたがスプレッドでやりたいことを理解していない（私の脳は、明らかに今日は形になっていない、またはあなたが言わなかったこと....
何をしたいのか、何のためにするのかも理解できない...。
ヴァレリーに聞いてください、彼はコツをつかんでいるようです...。
他の表現を考えるのは難しいですほとんど同じですが、タイムとポイントだけは100％です。しかし、ここで時間の正規化がどのように提案されているのか理解できません。最短距離で？
正規化 0-1 正規化
既にラベルが付いたデータセットにおいて、ラベルに応じてスプレッドを特徴量から差し引いたり、追加したりした場合、どのような効果があるのでしょうか。
特徴空間は分離可能な方が良いのでしょうか？
というのは、これはあくまでトレーニングのために行われていることは明らかです。
私が記事で使ったのはその方法で、ラベルを意味のある距離で広げることで、学習効果を大きく向上させることができました。通常、タグは本質的に回帰を置き換えるので、ゼロ(平均？)からの偏差が大きければ大きいほど、特徴の差が大きくなる可能性があり、小さなティーを考慮しないことでノイズを減らすことができるのです。しかし、これはイン/アウトの分類と、買い/売り/期待のトリプル分類で有効です。また、アプローチの成功は、基本的な戦略（形成されたもの、出現しているもの）にも依存すると思われます。さらに研究すること。
これは私が論文で用いたアプローチで、点数を意味のある距離に分散させることで、学習効果をかなり高めることができました。通常、タグは本質的に回帰を置き換えているので、ゼロ(平均？)からの偏差が大きいほど符号の差が大きくなる可能性があり、小さなティーを考慮しないことでノイズを減らすことができるのです。しかし、これはイン/アウトの分類と、買い/売り/期待のトリプル分類で有効です。また、アプローチの成功は、基本的な戦略（形成されたもの、出現しているもの）にも依存すると思われます。今後の検討課題
今のところクラス分けを意識したハードリサンプリングしかしていませんが、もっと簡単な方法があると思います。
どのようにしたのか、どの手紙を読めばいいのか。
はい、代名詞をハイフンでつないでください
追加されました :)