The LASSO has two important uses, the first is forecasting and the second is variable selection. We are going to talk about the second. The variable selection objective is to recover the correct set of variables that generate the data or at least the best approximation given the candidate variables. The LASSO has attracted a lot of attention...
よし、じゃあ、せっかくだから、加工用のデータ収集についての考え方を教えてあげよう。市場は生き物ですから、十分な広さのエリアで高い一般性を持つモデルを訓練するのは本当に大変です。学習期間が長ければ長いほど、モデルの性能は低下するが、その分長くなる。目的：ロングランモデルを作る。分割または方法2、しかし、2つのネットワークの委員会を使用している人のために。
グリッドの表示方向が異なる場合、「はい」「いいえ」「わからない」の3つの状態を用意しています。
セクション全体（ここでは452エントリ）でネットワークを学習させる。学習セットの「わからない」回答は50％なので、226の信号はネットワークが学習できないと仮定し、このセットを55〜60％で学習した。そこで、今度は「わからない」状態だけでモデルを構築する、つまり、最初のモデルを惑わすような準状態でモデルを構築してみるのです。結果はほぼ同じで、226個のうち半分だけが認識され、残りは「わからない」状態になり、再度モデルを構築します。結果は113個、次に56個、次に28個、次に14個です。Jprediction Optimizerは、これまでのどのモデルでも知られていない14の項目に対して、通常100%までの汎化率を計算することができます。
その結果、3カ月で市場全体を認識する「パターン・システム」ができあがりました。
ここでは、「今日の文脈」以外の方法として、マーケットを部分空間に分割し、まさに「パターン・システム」を取得してトレーニングを行う方法を紹介します...。
面白いアプローチですね。実験してみないと...。少なくともデモでは、まだテストされていないのでしょうか？信号を見るのも面白いかもしれませんね。
これは、15分の05.29以降、すべてサンプルアウトしています。すでに3週目に入っています。しかし、それ以上のものが得られないのであれば、原理的にはアプローチの意味がないのですが、私はそう思っています......。:-)
私見ですが、NSの再教育は週1回、土日に行ってもいいのではないかと思います。だから、私は可能だと思うのです．3週間、3ヶ月、1年間、再トレーニングなしで利益を出すために、タスクを設定する必要はないのです。また、週に1回再トレーニングを行うことで、あなたのNSは常に最新のマーケットパターンに調整されます。
面白いアプローチですね。実験してみないと...。デモくらいでもう運用を開始されたのでしょうか？信号を見るのも面白いかもしれませんね。
私見ですが、NSの再教育は週1回、土日に行ってもいいのではないかと思います。だから、使えると思うのですが...。再トレーニングせずに、3週間、3ヶ月、1年と利益を出すような取引はして欲しくない。また、週に一度の再トレーニングにより、あなたのNSは常に最新のマーケットパターンに合わせて調整されます。
堅牢なEAが必要です。テスター用に作ったもので、最後に多くのトレードをしたものですが、3つのモデルの作業だけです。
EAのアルゴリズムに従って動作するスクリプトをいくつか作ったので、シグナルが出たときに手動で動かしてみて、様子を見ます。
よし、じゃあ、せっかくだから、加工用のデータ収集についての考え方を教えてあげよう。市場は生き物ですから、十分な広さのエリアで高い一般性を持つモデルを訓練するのは本当に大変です。学習期間が長ければ長いほど、モデルの性能は低下するが、その分長くなる。目的：ロングランモデルを作る。分割または方法2、しかし、2つのネットワークの委員会を使用している人のために。
グリッドの表示方向が異なる場合、「はい」「いいえ」「わからない」の3つの状態を用意しています。
セクション全体（ここでは452エントリ）でネットワークを学習させる。学習セットの「わからない」回答は50％なので、226の信号はネットワークが学習できないと仮定し、このセットを55〜60％で学習した。そこで、今度は「わからない」状態だけでモデルを構築する、つまり、最初のモデルを惑わすような準状態でモデルを構築してみるのです。結果はほぼ同じで、226個のうち半分だけが認識され、残りは「わからない」状態になり、再度モデルを構築します。結果は113個、次に56個、次に28個、次に14個です。Jprediction Optimizerは、これまでのどのモデルでも知られていない14の項目に対して、通常100%までの汎化率を計算することができます。
その結果、3カ月で市場全体を認識する「パターン・システム」ができあがりました。
Context of the Day」以外の方法として、マーケットをサブスペースに分解し、まさに「パターン・システム」を取得してトレーニングを行う方法をご紹介します・・・。
------------------------------------------------------------
この方法は 「ブースティング」と呼ばれる 。 ブースティングは、機械学習アルゴリズムの構成を順次構築する手順で、連続する各アルゴリズムは、以前のすべてのアルゴリズムの構成の欠落を補おうと する。ブーストは、アルゴリズムの構成を構築するための貪欲なアルゴリズム である。
最近のアプリケーションでは、XGBoostが有名です。
グッドラック
LASSOによる予測変数の選択
そう、このアルゴリズムでは、相関の強い変数を取り除く必要はないのです。単体でも十分対応できます。
昔、回帰が面白かった頃に使ってましたけど。
グッドラック
Dr.トレーダー
はい、それほど、このような結果で、あなたはより良いパラダイムを採用し、 "主なものは、勝つためにではなく、参加することです"、私は実際に私のアカウントを失った、おそらく意識的に、あまりにも恥から、ウィザードの ように私たちの 希望を与えたが、また道から出た、競争の圧力に耐えることができませんでした。私たちよりもずっと優れた（何百倍、何千倍も）専門家がいて、彼らはハーバードで学び、スーパーコンピューターを使っていることを認める価値があるのかもしれない。
専門家は私たちの何百倍、何千倍も優秀で、ハーバードで勉強し、スーパーコンピューターを使っています。
何千回となく...。優勝賞金を見ると、チャンピオンは私より1000 / 2.09 = 478.47倍優れているだけです。
千単位でなく...1位賞を見てみると、チャンピオンが私より優れているのは、1000 / 2.09 = 478.47倍だけです
478.47回で1ペイアウトが、累積収量にあなたよりも3000倍以上優れている$ 10000のために男がある、ウィザードのための1つの希望が、私は彼がこの不愉快な話題を議論することを恥じていると思います。
つまらない......。:-( 訓練して、モデルを選んで、いわば仕事ですね。でも、モデルができて、あとは作業するだけ......となったらどうするんですか？
つまらない......。:-( 訓練して、モデルを選んで、いわば仕事ですね。でも、モデルができて、あとは作業するだけ......となったらどうするんですか？
めったにないことですが、脳が抗議してコードを書きたいと言い出すまで、どこかで休んだ方がいいんです。例えば、タイ、インドネシア、モルディブなどです。