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 3098

[Maxim Dmitrievsky]

Renat Akhtyamov #:

そこへ行こうとしていたんだ。

MOに魚はいない、これは100％明白な事実であり、このスレッドによって繰り返し証明されている。

ネット上では、彼らは嬉々としてそう言う。

周りを見てみろ。

MOのツも他と変わらない、平均的な成功率は同じだ（ゼロに等しいが、たまに釣れる）。

しかし、MOの後、インジケーターのものに乗り換えるのは、メルセデスからザポロジェッツに乗り換えるようなものだ。運転しているようだが、感覚は同じではない。

老後にマラスムスに苦しみたくなければ、ボーナスは脳トレになる。）

あなたは（まあ、特にあなたではないが）本当に賢くなり、世界を違った角度から見るようになる。だから、たとえうまくいかなかったとしても、配当は得られる。

[Renat Akhtyamov]

Maxim Dmitrievsky #:
MOツは他の選手と何ら変わりはなく、成功率は平均して同じである（ゼロに等しいが、時には突っ走ることもある）
。

しかし、MOの後、インジケーターのものに戻すのは、メルセデスからザポロジェッツに乗り換えるようなものだ。運転しているようだが、感覚は同じではない。

老後にマラスムスに悩まされたくなければ、ボーナスは脳トレになる。）

あなたは（まあ、特にあなたではないが）本当に賢くなり、世界を違った角度から見るようになる。だから、たとえうまくいかなかったとしても、配当は得られる。

強調した部分に同意する。

誰もがそうなるわけではない：

いや、ネイラじゃなくて（彼女のプロセッサーはそんな解決策を見つけるより、むしろ煮え湯を飲まされる）、自分でやったんだ。

[Forester]

Maxim Dmitrievsky #:

クロスバリデーションによって学習サンプルのバイアスと分散を除去することにより、モデルは新しいデータに対して適切な挙動を示すようになる。その後、微調整が可能になります。

ちなみに、トレード間のステップを一律にせず、時間ごとにチャートを作ってみたことはありますか？
あるいは、私の5年間のように、半年間だけ2つの領域が成長し、残りの期間はほとんどトレードなしという結果になるかもしれません。同じ理由で2年間はドローダウン。このようなことは現実にはありえない。

時間ではなく、ステップでやれば、あなたのように美しくなる。

[Maxim Dmitrievsky]

Forester #:

ちなみに、トレードの間隔を均等にするのではなく、時間軸でチャートを作ってみたことはありますか？
あるいは、私が5年間経験したように、半年間は2つの成長エリアだけで、残りの期間はほとんどトレードなしという結果になるかもしれません。同じ理由で2年間はドローダウン。そんなことは現実にはできない。

時間ではなく、ステップでやれば、あなたのように美しくなる。

あなたのチップはおそらく範囲外だ。下のユーロドールチャート、多かれ少なかれ均等に取引されている。しかし、OOSは常にトレーニングの長さとOOSの長さが同じで、トレード数が少ない。まあ、メトリクスの方が悪いからね。まだ完璧にはできていません。

[Forester]

Maxim Dmitrievsky #:
チップは圏外だろう。下のユーロドルチャートから、多かれ少なかれ均等に取引されている。しかし、OOSは常にトレード数が少なく、トレーニングの長さとOOSの長さが等しい。まあ、メトリクスの方が悪いからね。まだ完璧にはできていません。

タイムチャートを試してみてください。同じになる可能性はゼロではありませんが......。

[Aleksey Vyazmikin]

Maxim Dmitrievsky #:

Kozulは、モデル結果への影響を推定するために、外部パラメータを使用します。それは予測変数でもバイナリ変数でも何でもかまいません。予測変数の差でもかまいません。

そして、さまざまな手法を用いて、予測に対するそのパラメータの効果について推論を行います。その後、この影響を考慮してモデルをアップリフトし、たとえばラベルの新しい値を得ることができます。そして、二重機械学習で行われるように、モデルの新しい係数も得られる。そこには2つのモデルがあり、1つはデビアスを行い、もう1つはノイズ除去を行う。推定プロセスでは交差検証を用いるので、新しいパラメータは新しいデータに対してもよりロバストである。そして最終的なモデルが学習される。

指で説明するのは難しいので、専門的な文献を読んだ方がいいだろう。私はいくつかのバリエーションを作ったが、うまくいった。このトピックは非常に大きく、独自のニュアンスがあります。お気に入りの「パッケージ」があるはずだ。

純粋に経験的なアプローチもあれば、チェルノジュコフのように厳密に証明されたものもある。一般的には美しいテクニックだ。

クロスバリデーションによって学習サンプルのバイアスと分散を取り除くことで、モデルは新しいデータに対して適切な振る舞いをするようになります。そして微調整が可能になる。

世の中にはさまざまな方法がある。それらが機能するという証明はほとんどない。そこで質問なのですが、あなたは今、全体として分散が増加する予測因子の領域を見つけ、それらを除外するモデルを構築しようとしています。

[Maxim Dmitrievsky]

Forester #:

、、、、、、、のののののののののののののののののののののののの同じように同じになる可能性もありますが......。

そのような大きな窓はなく、平均は均一です。他のTSでは、サインが範囲を超えたときに起こった。

[Forester]

Maxim Dmitrievsky #:
そのような窓は大きくなく、平均は均等だ。他のTCでも、標識が範囲を超えているときはそうだった。

私にはない。閾値が高いだけで、多くの取引をカットしている。真ん中を通したら、もっと悪くなる。一般的に、あなた自身も取引指標を上げる（あなたは今日書きました）。

[Maxim Dmitrievsky]

Aleksey Vyazmikin #:

世の中にはたくさんの方法がある。それらが機能するという証明はほとんどありません。そこで質問なのですが、あなたは今、全体として分散が増加する予測因子の領域を見つけ、それらを除外するモデルを構築しようとしています。

私たちは私のtsではなく、kozulだけを議論することはできません

まず、受け入れのハード（Sanych耐え難い）段階、次にラップ、そして愛。😀

[Maxim Dmitrievsky]

Forester #:
出るつもりはない。ただ、敷居が高いし、多くの取引を断ち切ってしまう。中途半端に発動すると、もっと悪くなる。一般的に、あなた自身も取引指標を上げる（今日書いていましたね）。

シグナルレベルからの計算が多かった。