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 2385

[mytarmailS]

マキシム・ドミトリエフスキー：

アレクセイが計算能力を提案したと思いますが、彼は長いものを計算するのが好きなので、Co-opを作るといいかもしれませんね :)

ベクトル化しないRはやはり遅くなる。高速なデータベースのようなものを利用するとよいでしょう

遅い部分をベクトル化した、アルゴリズムのロジックを最適化すべき、今それを考えている、すでに5回高速化を試みた、コードも書き直した......。

もっとサインは少ない、原始的、私も何かした方がいい、的なのはあまり好きではない...。

やばい...修理のようなもので、自我がなければ始まらない ...

[Forester]

mytarmailS:

もちろん、そんなことはないでしょう））、仮にあったとしても、私には何の影響もないでしょう）。

試してみましたが、結果はせいぜいRandom Forestと同じ、つまり、何もなし...です。

フォレスト出力はトリガーされたルールの合計であり、ルールはいかなる方法でもフィルタリングされて拒否されることはなく、拒否されたルールは約100%です)

ルールの再現性（回答は1つだけかもしれない）や妥当性（機能するか）はチェックされず、ルールはただデータに 引き伸ばさ れる（モデルがデータに適合する）。

モデルは学習サンプルをランダムに近似し、クロスバリデーションが役立つことを期待するが、客観的な理由（市場における重要なイベントが少なすぎる）により、それを行わない

私は、モデルをデータに当てはめるのではなく、仮説を立ててそれを検証するという、別のアプローチを試みました。

1）もっともらしい（すでにフィルタリングされた） 仮説をルールという形で形成している。

2) 少ないデータで仮説の検証を行う

3）小さなデータで検証された仮説を大きなデータで検証する。

実は、100万通りのもっともらしいルールのうち、たった1つだけが残っているのです

素人には理解しがたいが、両者のアプローチの違いはガルフ

ある種の哲学のようなもの。具体的には何も...。

[Valeriy Yastremskiy]

elibrarius:
ある種の哲学ですね。具体的には何も...。

まあなぜかというと、パスは先に発表され、すべて厳密には意図したとおりになっているからです。ルールを生成してチェックするというのは、問題の論理・目的に基づいてルールを選択する通常のアプローチとは異なる。つまり、通常は最初に解答のためのルールが生成されます。そのため、論理的でなくとも結果を出すルールが失われていく。

[mytarmailS]

elibrarius:
ある種の哲学ですね。具体的には何も...。

• 私たちにとって理解できないことが多いのは、私たちの概念が弱いからではなく、その概念の輪の中に入っていないからです。

Valeriy Yastremskiy：

なぜかというと、この道は先に発表されており、すべて計画通りに厳密には進んでいるのです。ルールを生成してチェックするというのは、タスクの論理・目的に基づいてルールを選択する通常のアプローチとは異なります。つまり、通常、最初に解答のためのルールが生成されます。そのため、論理的でなくとも結果を出すルールが失われていく。

+++

[Forester]

mytarmailS:

• 私たちが理解できないことが多いのは、私たちの概念が弱いからではなく、私たちの理解の範囲内にないためです。

+++

もう少し哲学を))

[Aleksey Nikolayev]

このようなアプローチでは、従来から「アンチハムスター」と呼ばれるような結果、つまりハムスターが見えているのに見えていないような結果になることが一般的です。これは、SB実装に近い行程で極めて典型的なものである。

[Valeriy Yastremskiy]

Aleksey Nikolayev:
このようなアプローチでは、従来から「アンチハムスター」、つまりハムスターが見えているのに見えていない、というような結果になるのが一般的です。これは、SB実装に似た行の典型的な例である。

私はそうは思いません。ルールや選択ロジックの数が多いという問題は、確かにありますね。どちらのアプローチでもターゲットは同じです。

そして、その道が完全に間違っていることも、まあ、ルールを確認し、道を正しているのですが))))

[Maxim Dmitrievsky]

実際のパターンを正確に見つけるはずの他のMOの抽象化があるのですが（もしあれば）、定かではありません

ググってもメーソンやペンタゴンの文献が見つからなかったので、今のところ伏せ字にしています

ひまわりの種をスナップしているときに、この抽象画を思いつきました。

[Valeriy Yastremskiy]

マキシム・ドミトリエフスキー：

実際のパターンを正確に見つけるはずの他のMOの抽象化があるのですが（もしあれば）、定かではありません

ググってもメーソンやペンタゴンの文献が見つからなかったので、今のところ伏せ字にしています。

ひまわりの種をつまみ食いしているうちに発明された抽象概念

私は忘れてしまったようです：本当のSBパターン（もしあれば） )))

[Aleksey Vyazmikin]

マキシム・ドミトリエフスキー：

アレクセイは長い計算をするのが好きなので、計算能力を提案したと思うのですが、協力できるかもしれませんね。）

ベクトル化しないRでは、やはり遅くなります。高速なデータベースが使える

しかも、このやり方は何年も前からやっていることなんです。

しかし、本当に非常に遅いので、ターゲットを素早く変更する（良いものを探す）ことができないし、個々のルールも履歴でどう確認しても動かなくなるので、今は少し先延ばしにしています。

Maximさん、Pythonで、CSVファイルのデータからモデル（または100個のモデル）を作成し、CatBoostの 標準的な方法で予測変数の重要度を分析し、特定の条件で予測変数の使用を禁止/許可（CatBoostはそれができる）して、新しいモデルを再度作成するサイクルのスクリプトを作っていただけませんか。この方法によって、モデルの改善につながる重要な予測因子を割り当てることができる。私も似たような方法を使っていますが、予測器を追加・削除した後、手動でループを再起動しなければならないので、本当に不便です。