ライブラリ: RL アルゴリズム
おそらく、トレーニング結果ファイルが大きければ大きいほど、フィッティングの確率は高くなる。
サンプルが代表的でない場合は、FXでは常にそうです。正則化を少し減らすことで減らすことができます。
また、ターゲット・オーバーサンプリングの問題はまだ解決されておらず、入力オーバーサンプリングと組み合わせることで、より興味深い結果が得られるはずです。
学習結果ファイルのサイズが価格履歴のサイズに近ければ近いほど、モデルで何かをする必要は少なくなる。
例えば、学習ファイルがOHLCファイルと同じサイズであれば、モデルは履歴そのものです。つまり、無駄のないファイル（使用される部分）は、履歴のサイズよりも桁違いに小さいのが良いのです。
こうすることでランダムフォレストが 維持され、常に大きなファイルになり、それを縮小することはできない。linearを使えば、ファイルには回帰係数のみが含まれ、再トレーニングは少なくなります。
私は当初、RFを使うことに興味がありました。しかし、それはどんな状況でもオーバートレーニングが好きすぎる。
この方法でランダムフォレストは保存され、常に大きなファイルになり、ファイルを減らすことはできない。linearを使えば、回帰係数だけがファイルに保存され、再トレーニングは少なくなる。
最初はRFを使うことに興味があったんだ。でも、RFはどんな状況でも再トレーニングが多すぎるんだ。
要は、learn=falseで使われた情報だけ保存しておけばいいんです。それがたくさんあると、作業がほとんど無駄になってしまう。
例えるなら、BestInterval-dataの保存。数が少なければ、何もしなくても見ることができる。しかし、数が多ければ、絵に描いた餅になる。
要は、learn=falseで使われた情報だけを保存すればいいのだ。それがたくさんあれば、作業はほとんど無駄になる。
例えるなら、BestInterval-dataの保存。数が少なければ、何もしなくても見ることができる。でも、数が多ければ、絵にしかならない。
まあ、そうだね。特に、説明可能な情報よりも説明する情報の方が多い場合は、冗談だよ。）
私は後でリブの他のバリエーションを提供します
Weierstrass関数で 作成したカスタムチャートでテストしてみました。
理論的には、このカスタムチャート上では、RandomForestはジグザグに非常に近いエントリーポイントを見つけるか、少なくとも負け注文を全く出さないはずです。
M15までのすべてのTFのMT4オプティマイザーで、ZigZagのアドバイザーは、明らかにパターンを見つけ、排他的に+すべての注文で、同じデータ上の古いGoldWarrior Expert Advisor（英語フォーラムで見つかった）MT4で以前にテストしました。
私は回帰線の交差に関するインジケーターのExpert Advisorをテストしました（残念ながら、私はそれを注文するようにしました、私はコードを提供することはできません）、そしてオプティマイザでこのExpert AdvisorはすぐにWeierstrass関数上のパターンを見つけました。
なぜこのような例を挙げたのか？- 原始的な手法が規則性を見つけることができるのなら、機械学習はもっと規則性を見つけなければならない。
著者に敬意を表するが、この結果は疑問である。）
ZY:2000.01.01から2001.01.01まで学習済み 2001.01.01から2002.01.01までテスト済み
ZY: カスタムチャート用のスクリプトを添付。
嗚呼、ありがとう！
あなたのライブラリーを読むのに20分費やしたが、まだ理解できなかった。今日は注意力がないし、目的は作者のコードをテストして RandomForestが 何を見るかを確認することだった。
スクリプトを更新し、再度上に添付しました。
Weierstrass関数で作成したカスタムチャートでテストして みた。
理論的には、このカスタム・チャートでは、RandomForestはジグザグに非常に近いエントリー・ポイントを見つけるか、少なくとも負け注文をまったく出さないはずです。
MT4のオプティマイザーでは、M15までのすべてのTFで、明らかに規則性が見つかり、すべての注文はもっぱら+になっています。
私は回帰線のクロスでインジケータアドバイザーをテストしました（残念ながら、私はそれを注文するようにしました、私はコードを提供することはできません）、そして、このアドバイザーはすぐにオプティマイザでWeierstrass関数上の規則性を見つけました。
なぜこのような例を挙げたのか？- 原始的な方法で規則性を見つけることができるのなら、機械学習はより一層規則性を見つけなければならない。
筆者には失礼だが、これは疑問の残る結果だ。むしろRandomForestを使った例は素晴らしい。）
SZY:2000.01.01から2001.01.01まで学習済み 2001.01.01から2002.01.01までテスト済み
ZY: カスタムチャート用のスクリプトを添付。
いいえ、現在はそのようには動作しません。ハーモニック・パターンを探しません。出力はランダムに、非常に頻繁にサンプリングされ、そして、できる限りポリシーを近似しようとします。どんなパターンでも近似するためには、他のロジック、たぶん同じジグザグに従って出力をサンプリングする必要がある。
これは報酬f-iで簡単に変更できる。ただ、今は何百回も実験をするほど時間がないんだ。もしかしたら、オプティマイザーを使って何とかできるかもしれない。
いずれにせよ、最良のバリアントが検索される条件の範囲を定義する必要があります。なぜならバリアントは無限にあるからです。
- 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
RL アルゴリズム:
論文「Random decision forest in reinforcement learning」に基づくライブラリ
作者: Maxim Dmitrievsky