記事"ベイズ分類器及び特異スペクトル解析法に基づく指標を用いた市場動向の予測"についてのディスカッション - ページ 2 1234 新しいコメント Roman Korotchenko 2017.04.27 16:37 #11 СанСаныч Фоменко: この記事のレベルがかなり高いことを考えると、私は著者の頭の中、つまりこの段階で専門家を書く必要性に疑問を呈したい。この記事には、専門家のテスト結果が 信頼できるという根拠が ない。さて、テスターから2つ、3つ、あるいは10個のプロフィットファクターやその他の値が得られたとして、これは統計なのだろうか？専門家が将来も同じように行動するという保証はあるのだろうか？これらの疑問の核心は、SSAは非定常市場でも機能するという著者の主張である。その証拠はどこにあるのか？そのような証明は記憶にない。私が何か見落としているのかもしれない。しかし、この論文では、SSAがどのような種類の非定常性を解決し、その結果がどのようなものなのかがまったく明示されていない。トレンドを分離することは可能なのでしょうか？しかしその場合、トレンドを差し引いた残差は必ずしも定常ではない。この問題は、ARCHモデルの枠組みで詳細に扱われています。残差は多様であるため、ARCHモデルは非常に多くの種類が生まれている。この部分は記事にはないため、取引決定が定常時系列で行われているという証拠はない。したがって、このような考えに基づくTSの将来の行動は予測不可能である。追記10年ほど前、私は「キャタピラー」（FATL-SATL）を使っていた。エキスパート-アドバイザは、3〜6ヶ月生き、その後排水し始めた。主な問題は、古典的な意味での非定常性（MOと分散の変化）だけでなく、ZZで明確に見ることができる変化する周期性です。 PCAが非定常時系列の分析に使用されるという事実は、「著者の主張」ではなく、時系列の与えられた断片に最適な独自の直交基底の形成に基づく、この手法の特徴である。実際、トレンドや周期性であっても、すでに非定常である。したがって、取引判断は定常的な系列では行われない。なぜなら、そのような系列は存在せず、その近似も存在しないからである（ARMAモデルとは異なる）。このモデルは、時系列をトレンド、周期性（周期が変化する）、ノイズ成分の合計として表現することに基づいています。モデル内のノイズは制御されず、フィルタリングされ、安定成分についてはごく近い将来の予測がある。この方法は、価格を形成するプロセスの定常性ではなく、局所的な安定性を仮定している。第二に、誰も保証を与えていない。任意に選んだ過去のデータセットでモデルを訓練した結果、他の系列や時間スケールでも安定した結果が得られたという話です。これらの結果がどの程度持続するかは別の問題ですが、私の考えでは、例えば取引前に「最近の履歴」で実行することで制御可能です。再トレーニングにも少し時間がかかる。私の観点からは、「偽のエントリー」の可能性をより確実にフィルタリングし、リスクを減らすことがより重要であり、そのためには、例えば、ボットの取引をスケジュールで制限したり、ベイズ分析やニューラルネットワークの助けを借りてインジケータのセットを拡張したりするなど、制御方法を用いてExpert Advisorをさらに拡張する必要があります。そして、現在のテスト結果は、すでに利用可能なフィルターが機能するか、開発する必要があるかを示すだろう。適合性の唯一の証明は、いつものように実践である。 СанСаныч Фоменко 2017.04.27 18:06 #12 Roman Korotchenko: モデル内のノイズがコントロールされておらず、フィルターもかけられていない...。 あなたの投稿から、私にとってのキーワードは上の言葉です。ノイズが定常的なものであれば、あるいは正規分布しているものであれば、フィルタリングは可能であり、またそうすべきです。もしノイズがそうでないなら、そして記事からはSSAフィルタリングの後にどのようなノイズが残っているのかが分からないので、どのような状況でもフィルタリングすることはできません。これは、すべてのARCHモデルがベースにしていることです。なぜなら、ドッグは常に太い尾に埋もれているからです。これは、ノイズ分布では常に起こるわけではありませんが、もし起これば、間違いなくデポに水を注ぐことになります。あなたの考えは、別の側面からアプローチすることができます。ポイントは、SSAによって訓練された予測子を入力する分類器を使用しているということです。この場合，使用される予測変数の定常性の重要性は，個人的にはあまり明確ではありませんが，分類器の入力に供給される予測変数には，十分に証明された要件があります - ノイズ，つまり「ターゲット変数との弱い関係（上述のノイズと混同しないように）」を持つものからクリーンであるべきです．最も興味深いのは、どんな種類のスムージング（トレンド）も、このアプローチではノイズと呼ばれることです。これはすべて機械学習ブランチで利用できる。いずれにせよ...。追記実践は真実の基準であるが、この実践が理論に基づいている場合に限る。 Maxim Dmitrievsky 2017.04.27 20:09 #13 СанСаныч Фоменко: あなたの投稿から、私にとってのキーワードは引用したものです。ノイズは、それが定常的で、できれば正規分布しているのであれば、フィルターにかけることができるし、かけるべきである。そして、もしノイズがそのようなものでないなら、そして記事から、SSAフィルタリングの後にどのようなノイズが残るのかがわからないなら、どのような状況であってもフィルタリングすることはできない。これは、すべてのARCHモデルがベースにしていることである。なぜなら、ドッグは常に太い尾に埋もれているからであり、それはノイズ分布において常に起こるわけではないが、それが起こったときには、確実にデポから排出されるからである。 つまり、誰もバタフライ効果をキャンセルしないのである :) TheXpert 2017.04.27 21:46 #14 SSAは主成分法ですよね？ Stanislav Korotky 2017.04.27 23:30 #15 Комбинатор: SSAは主成分法ですよね？FFTに 近い。 Roman Korotchenko 2017.04.28 02:07 #16 Комбинатор: SSAは主成分法ですよね？ それに似ています。アルゴリズムは多少違う。一般的な説明はLoskutkov A.Yu."Time series analysis.MSU lecture course "にあります。キャタピラー」または自己回帰による予測に使用できる。フーリエ法とは対照的に、PCAは、振幅と周波数が変調した成分と非周期的な成分を抽出する。調査されるノイズに関しては、次のステップでSSAはBox-Jenkinsonモデル（ARPSSなど）と組み合わされ、これらのモデルはCCAによって得られた傾向の「残差」と連動する。GARCH過程と平均の振る舞いを記述するモデルを組み合わせたモデルは、予測の観点から有望であると主張される。オプションとして、エキスパート・アドバイザーにGARCH+SSAを実装することも可能である。使用する時間軸における系列の「ランダム性のレベル」を見落としてはならない。もしそれが "桁外れ "であれば、最も完璧なモデルによる予測は何も良い結果をもたらさないし、そのプロセスは長い記憶によって特徴づけられるものではない。したがって、将来的には、ノイズの「色」を見つけ、現在の価格 プロセスを分類するために、系列のフラクタル性（ ハースト指数に類似）の推定を追加することが論理的である。このことは、信頼できる専門家は、まず第一に、自分が管理する資本のリスクレベルを監視し、最適化すべきであることを示唆している。 Maxim Dmitrievsky 2017.04.28 08:04 #17 Roman Korotchenko:使用する時間軸における系列の「ランダム性のレベル」を見落としてはならない。もしそれが "桁外れ "であれば、最も優れたモデルによる予測は何も良い結果をもたらさないし、そのプロセスは長い記憶によって特徴づけられるものではない。したがって、将来的には、ノイズの「色」を見つけ、現在の価格 プロセスを分類するために、系列のフラクタル性（ ハースト指数に類似）の推定を追加することが論理的である。このことは、信頼できる専門家は、何よりもまず、自分が管理している資本のリスクレベルを監視し、最適化すべきであることを示唆している。つまり、「ランダム性のレベル」こそが、あなたのモデルを決してうまく機能させない主なポイントなのだ。五分五分の推測ゲームだ。例えば、市場のプロセスが反永続的であるよりも永続的である可能性の方が高いなんて、誰が言ったんだ？そして、周期的なサイクルがまったくないことも。画面には、この種のシステムの典型的な予測が表示されているが、これには何の意味もない......。しかし、私はあなたの数学とモデル構築における理解と経験のレベルを賞賛します。） TheXpert 2017.04.28 10:07 #18 Stanislav Korotky: FFTの ような。 おっと、完全に混乱してしまった。じゃあ、もっと無駄なことを ) Roman Korotchenko 2017.04.28 10:33 #19 Maxim Dmitrievsky:だから、"ランダムのレベル "は、あなたのモデルを決して機能させない主なポイントなんだ。五分五分の推測ゲームだ。例えば、市場のプロセスが反永続的であるよりも永続的であることの方が多いなんて、誰が言ったんだ？そして、周期的なサイクルがまったくないことも。画面には、この種のシステムの典型的な予測が表示されているが、これには何の意味もない......。しかし、数学とモデル構築におけるあなたの理解と経験のレベルには敬服します。） 市場の動きがすべてランダムだとお考えなら、それは大きな間違いです。現代的なモデルはすべて、前史の影響、つまり「重い尻尾」を考慮に入れようとします。モデルの主な仕事は、ノイズから前兆のシグナルを抽出することであり、モデルの問題は、状況に対する適切さと適応能力である。 Maxim Dmitrievsky 2017.04.28 11:18 #20 Roman Korotchenko: 市場の動きがすべてランダムだと思ったら大間違いだ。現代的なモデルはすべて、前史の影響、つまり「重い尾」を考慮しようとしている。モデルの主な仕事は、ノイズから前兆のシグナルを抽出することであり、モデルの問題は、状況に対する適切さと適応能力である。 市場の価格を左右する要因は一つではないので、このような状況が発生するための初期条件は自然に発生し、互いに重なり合う。仮に、状況に影響を与え続ける初期条件をいくつか見つけたとして、次のバーで、再びすべてを破壊するような別の影響力がある情報がないと、どうすれば確信できるのだろうか？ 予測の信頼性を評価する基準はどこにあるのだろうか？ 1234 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
この記事のレベルがかなり高いことを考えると、私は著者の頭の中、つまりこの段階で専門家を書く必要性に疑問を呈したい。この記事には、専門家のテスト結果が 信頼できるという根拠が ない。さて、テスターから2つ、3つ、あるいは10個のプロフィットファクターやその他の値が得られたとして、これは統計なのだろうか？専門家が将来も同じように行動するという保証はあるのだろうか？
これらの疑問の核心は、SSAは非定常市場でも機能するという著者の主張である。その証拠はどこにあるのか？そのような証明は記憶にない。
私が何か見落としているのかもしれない。しかし、この論文では、SSAがどのような種類の非定常性を解決し、その結果がどのようなものなのかがまったく明示されていない。トレンドを分離することは可能なのでしょうか？しかしその場合、トレンドを差し引いた残差は必ずしも定常ではない。この問題は、ARCHモデルの枠組みで詳細に扱われています。残差は多様であるため、ARCHモデルは非常に多くの種類が生まれている。
この部分は記事にはないため、取引決定が定常時系列で行われているという証拠はない。したがって、このような考えに基づくTSの将来の行動は予測不可能である。
追記
10年ほど前、私は「キャタピラー」（FATL-SATL）を使っていた。エキスパート-アドバイザは、3〜6ヶ月生き、その後排水し始めた。主な問題は、古典的な意味での非定常性（MOと分散の変化）だけでなく、ZZで明確に見ることができる変化する周期性です。
PCAが非定常時系列の分析に使用されるという事実は、「著者の主張」ではなく、時系列の与えられた断片に最適な独自の直交基底の形成に基づく、この手法の特徴である。実際、トレンドや周期性であっても、すでに非定常である。したがって、取引判断は定常的な系列では行われない。なぜなら、そのような系列は存在せず、その近似も存在しないからである（ARMAモデルとは異なる）。このモデルは、時系列をトレンド、周期性（周期が変化する）、ノイズ成分の合計として表現することに基づいています。モデル内のノイズは制御されず、フィルタリングされ、安定成分についてはごく近い将来の予測がある。この方法は、価格を形成するプロセスの定常性ではなく、局所的な安定性を仮定している。第二に、誰も保証を与えていない。任意に選んだ過去のデータセットでモデルを訓練した結果、他の系列や時間スケールでも安定した結果が得られたという話です。これらの結果がどの程度持続するかは別の問題ですが、私の考えでは、例えば取引前に「最近の履歴」で実行することで制御可能です。再トレーニングにも少し時間がかかる。私の観点からは、「偽のエントリー」の可能性をより確実にフィルタリングし、リスクを減らすことがより重要であり、そのためには、例えば、ボットの取引をスケジュールで制限したり、ベイズ分析やニューラルネットワークの助けを借りてインジケータのセットを拡張したりするなど、制御方法を用いてExpert Advisorをさらに拡張する必要があります。そして、現在のテスト結果は、すでに利用可能なフィルターが機能するか、開発する必要があるかを示すだろう。適合性の唯一の証明は、いつものように実践である。
モデル内のノイズがコントロールされておらず、フィルターもかけられていない...。
あなたの投稿から、私にとってのキーワードは上の言葉です。
ノイズが定常的なものであれば、あるいは正規分布しているものであれば、フィルタリングは可能であり、またそうすべきです。もしノイズがそうでないなら、そして記事からはSSAフィルタリングの後にどのようなノイズが残っているのかが分からないので、どのような状況でもフィルタリングすることはできません。これは、すべてのARCHモデルがベースにしていることです。なぜなら、ドッグは常に太い尾に埋もれているからです。これは、ノイズ分布では常に起こるわけではありませんが、もし起これば、間違いなくデポに水を注ぐことになります。
あなたの考えは、別の側面からアプローチすることができます。
ポイントは、SSAによって訓練された予測子を入力する分類器を使用しているということです。この場合，使用される予測変数の定常性の重要性は，個人的にはあまり明確ではありませんが，分類器の入力に供給される予測変数には，十分に証明された要件があります - ノイズ，つまり「ターゲット変数との弱い関係（上述のノイズと混同しないように）」を持つものからクリーンであるべきです．最も興味深いのは、どんな種類のスムージング（トレンド）も、このアプローチではノイズと呼ばれることです。これはすべて機械学習ブランチで利用できる。
いずれにせよ...。
追記
実践は真実の基準であるが、この実践が理論に基づいている場合に限る。
あなたの投稿から、私にとってのキーワードは引用したものです。
ノイズは、それが定常的で、できれば正規分布しているのであれば、フィルターにかけることができるし、かけるべきである。そして、もしノイズがそのようなものでないなら、そして記事から、SSAフィルタリングの後にどのようなノイズが残るのかがわからないなら、どのような状況であってもフィルタリングすることはできない。これは、すべてのARCHモデルがベースにしていることである。なぜなら、ドッグは常に太い尾に埋もれているからであり、それはノイズ分布において常に起こるわけではないが、それが起こったときには、確実にデポから排出されるからである。
つまり、誰もバタフライ効果をキャンセルしないのである :)
SSAは主成分法ですよね？
FFTに 近い。
SSAは主成分法ですよね？
それに似ています。アルゴリズムは多少違う。一般的な説明はLoskutkov A.Yu."Time series analysis.MSU lecture course "にあります。キャタピラー」または自己回帰による予測に使用できる。
フーリエ法とは対照的に、PCAは、振幅と周波数が変調した成分と非周期的な成分を抽出する。
調査されるノイズに関しては、次のステップでSSAはBox-Jenkinsonモデル（ARPSSなど）と組み合わされ、これらのモデルはCCAによって得られた傾向の「残差」と連動する。
GARCH過程と平均の振る舞いを記述するモデルを組み合わせたモデルは、予測の観点から有望であると主張される。オプションとして、エキスパート・アドバイザーにGARCH+SSAを実装することも可能である。
使用する時間軸における系列の「ランダム性のレベル」を見落としてはならない。もしそれが "桁外れ "であれば、最も完璧なモデルによる予測は何も良い結果をもたらさないし、そのプロセスは長い記憶によって特徴づけられるものではない。したがって、将来的には、ノイズの「色」を見つけ、現在の価格 プロセスを分類するために、系列のフラクタル性（ ハースト指数に類似）の推定を追加することが論理的である。このことは、信頼できる専門家は、まず第一に、自分が管理する資本のリスクレベルを監視し、最適化すべきであることを示唆している。
使用する時間軸における系列の「ランダム性のレベル」を見落としてはならない。もしそれが "桁外れ "であれば、最も優れたモデルによる予測は何も良い結果をもたらさないし、そのプロセスは長い記憶によって特徴づけられるものではない。したがって、将来的には、ノイズの「色」を見つけ、現在の価格 プロセスを分類するために、系列のフラクタル性（ ハースト指数に類似）の推定を追加することが論理的である。このことは、信頼できる専門家は、何よりもまず、自分が管理している資本のリスクレベルを監視し、最適化すべきであることを示唆している。
つまり、「ランダム性のレベル」こそが、あなたのモデルを決してうまく機能させない主なポイントなのだ。五分五分の推測ゲームだ。例えば、市場のプロセスが反永続的であるよりも永続的である可能性の方が高いなんて、誰が言ったんだ？そして、周期的なサイクルがまったくないことも。画面には、この種のシステムの典型的な予測が表示されているが、これには何の意味もない......。
しかし、私はあなたの数学とモデル構築における理解と経験のレベルを賞賛します。）
FFTの ような。
だから、"ランダムのレベル "は、あなたのモデルを決して機能させない主なポイントなんだ。五分五分の推測ゲームだ。例えば、市場のプロセスが反永続的であるよりも永続的であることの方が多いなんて、誰が言ったんだ？そして、周期的なサイクルがまったくないことも。画面には、この種のシステムの典型的な予測が表示されているが、これには何の意味もない......。
しかし、数学とモデル構築におけるあなたの理解と経験のレベルには敬服します。）
市場の動きがすべてランダムだとお考えなら、それは大きな間違いです。現代的なモデルはすべて、前史の影響、つまり「重い尻尾」を考慮に入れようとします。モデルの主な仕事は、ノイズから前兆のシグナルを抽出することであり、モデルの問題は、状況に対する適切さと適応能力である。
市場の動きがすべてランダムだと思ったら大間違いだ。現代的なモデルはすべて、前史の影響、つまり「重い尾」を考慮しようとしている。モデルの主な仕事は、ノイズから前兆のシグナルを抽出することであり、モデルの問題は、状況に対する適切さと適応能力である。
市場の価格を左右する要因は一つではないので、このような状況が発生するための初期条件は自然に発生し、互いに重なり合う。仮に、状況に影響を与え続ける初期条件をいくつか見つけたとして、次のバーで、再びすべてを破壊するような別の影響力がある情報がないと、どうすれば確信できるのだろうか？ 予測の信頼性を評価する基準はどこにあるのだろうか？