ライブラリ: RL アルゴリズム - ページ 4

[削除済み]

mov:

おそらく、開いているドアをノックしているのだろう。

0,1]の範囲に変換する前に前処理をすることをお勧めします：

1.周期性の除去、私はperiodicityArrays()で行いました - 1ヶ月の曜日と 時間で構成されるプロファイルは、範囲から差し引かれます（私は試しに1時間の時間枠に対してのみ行いましたが）。

2.linearTrendArrays()で、a[i]=a[i]-a[i+1]で推奨される線形トレンドの除去。

3.そして、ここに自己相関チェックがあるはずです（まだ実装されていません）。

1アクション後と2アクション後の予測可能性が大幅に増加した。コードを添付します。

ご苦労様でした。今日明日中に必ず見ます。

線形トレンドの削除については - これはインクリメントを使用している、RF再帰では、例えば、それはそう行われます。しかし、差ではなく私的価格が使用され、インクリメントは異なるラグで列挙されます。つまり、入力は単純に価格であり、最適なインクリメントを選択する前処理が行われる（一般的に、これは逐次トレンド選択と呼ばれる。）つまり、長期的な情報はすべて失われます。つまり、長期的な情報はすべて失われてしまうのです。主要なトレンドは、何らかの方法で市場に反映させる必要があります。さらに、BP予測に関する多くの情報源は、時間依存性だけでなく、線形トレンドも必ず考慮しなければならないと明言している。機械学習者の頭の中には、擬似定常過程や時系列予測のための変数の正規化・標準化という点で少し混乱がある。彼らはBP予測問題では機能しないアプローチを採用し始めている。時系列予測では、トレンドがほとんど最も重要です。）おそらく、線形トレンドそのものではなく、選択された期間の統計的特性（分布のモーメント）を入力として与えることに意味があるのでしょう。

for(int bf=0;bf<features;bf++) {  
     for(int bf2=bf+1;bf2<features;bf2++) {               
      for(int i=0;i<RDFpolicyMatrix.Size();i++) {   
        m[i].Set(0,RDFpolicyMatrix[i][bf]/RDFpolicyMatrix[i][bf2]);         
        m[i].Set(1,RDFpolicyMatrix[i][features]);   
        m[i].Set(2,RDFpolicyMatrix[i][features+1]); 
       }         
      CDForest::DFBuildRandomDecisionForest(m,RDFpolicyMatrix.Size(),1,2,trees,r,RDFinfo,mRDF,mRep);         
      ArrayResize(models1,ArraySize(models1)/3+1);
      models1[modelCounterInitial][0] = mRep.m_oobavgce;   
      models1[modelCounterInitial][1] = bf; 
      models1[modelCounterInitial][2] = bf2;   
      modelCounterInitial++;                     
     }  
    }

周期性については、そのアイデアはよくわかりません。

基本的なバージョンと比較して、OOSの大きな改善には気づかなかった。

[Oleg Mironov]

Maxim Dmitrievsky:

擬似定常過程や時系列予測のための変数の正規化や標準化について、機械学習者の頭の中には少し混乱がある。彼らは、BP予測問題では機能しないアプローチを採用し始めている。時系列予測では、トレンドはほとんど最も重要なことです。）おそらく、線形トレンドそのものではなく、選択された期間の統計的特性（分布のモーメント）を入力として与えることに意味があるのでしょう。

周期性については、そのアイデアはよくわかりません。

基本バージョンと比較して、OOSに大きな改善は見られませんでした。

周期性と線形トレンドの除去は、Orlov, Osminin Non-stationarytime series Forecasting methods with examples of analyses of financial and commodity marketsから引用しています。データ準備の3つのポイントがそのまま採用されている。おそらくこれは、この本で検討されているアルゴリズムの要件なのだろうが、私は結果を改善した。

テスト方法を説明しよう。1年分を1ヶ月後ろにずらして取る。モデルをトレーニングする。最後の月（トレーニングには含まれていない）で モデルをテストする。ヶ月では十分ではないかもしれないが、将来にわたってモデルは機能するはずだ。この期間中にモデルが最適化されすぎてしまうからです。このアプローチでは、最初の数日間の収益性が私にとって重要です（主観的な評価、つまり再最適化が必要な期間）。以前のバリアントでは、1-1.5週間先まで安定して+取引を達成することができましたが、その後スライドが始まりました。上記の前処理を使用すると、+で2-2.5週間を達成することができました。これが私の言う予測可能性の増加である。おそらく私のやり方は統計的に正しいとは言えないだろうが、私の考えでは実用的である。この方法を2週間安定的に使用すれば、1週間後に再最適化を行い、実際の取引で使用することができる。もちろん、最後の期間はトレーニングに使用します（乖離なし）。

[削除済み]

mov:

周期性と線形トレンドの除去：Orlov, Osminin 金融市場と商品市場の分析例を用いた非定常時系列予測法。データ準備の3つのポイントが丸ごと取られている。おそらくこれは、この本で議論されているアルゴリズムの必要条件なのだろうが、結果を改善した。

テスト方法を説明しよう。1年分を1ヶ月後ろにずらして取る。モデルをトレーニングする。最後の月（トレーニングには含まれていない）でモデルをテストする。ヶ月では十分ではないかもしれないが、将来にわたってモデルが機能することを前提にしている。この期間中にモデルが最適化されすぎてしまうからです。このアプローチでは、最初の数日間の収益性が私にとって重要です（主観的評価、つまり再最適化が必要な期間）。以前のバリアントでは、1-1.5週間先まで安定して+取引を達成することができましたが、その後スライドが始まりました。上記の前処理を使用すると、+で2-2.5週間を達成することができました。これが私の言う予測可能性の増加である。おそらく私のやり方は統計的に正しいとは言えないだろうが、私の考えでは実用的である。この方法を2週間安定的に使用すれば、1週間後に再最適化を行い、実際の取引で使用することができる。もちろん、最後の期間は（乖離のない）取引のトレーニングに使用します。

ありがとうございます。確かに、私はモデルをフィードする最良の方法について少し混乱しています。複数の変換は、それを荒野に連れて行っている、完全に直感的ではありません。

今のところ、このアプローチにおける線形モデルの適用可能性を探っているところだ。

電子版はありますか？

[Oleg Mironov]

Maxim Dmitrievsky:

s.s.電子版はお持ちでないのですか？

残念ながら紙です。単行本なので、ネット上では見つけられませんでしたが、オリジナルの学術論文があります（<科名>非定常系列で検索）。明日、金融市場の章を撮影してみます。

[削除済み]

mov:

残念ながら論文である。これは単行本で、ネット上では見つけられなかったが、オリジナルの学術論文がある（＜ファミリー名＞非定常系列で検索）。

明日、金融市場の章を撮影してみようと思う。

[Oleg Mironov]

アルゴリズムは6.4.2節にあり、リンクは5.2.1節の最後にある。念のため、両章の全文を作ったが、スキャンを処理せずに申し訳ないが、仕事で自由な時間がほとんどない（スキャナーも動いている）。

[削除済み]

mov:
アルゴリズムは6.4.2節にあり、リンクは5.2.1節の最後にある。念のため、両章の全文を作ったが、スキャンを処理せずに申し訳ないが、仕事で自由な時間がほとんどない（スキャナーも動いている）。

ありがとう！読み始めた

[Oleg Mironov]

Maxim Dmitrievsky:

ありがとう！読み始めました。

Gaidyshev Data Analysis and Processing Special Reference 2001. ch6 methods of dimensionality reduction (The book is good with examples in C).ネット上にpdfがありますが、djvuしか添付できませんでした（ファイルサイズの 制限）。

[削除済み]

Олег:
Gaidyshev Data Analysis and Processing Special Reference 2001. ch6 methods of dimensionality reduction (The book is good with examples in C).ネット上にpdfがありますが、添付できるのはdjvuだけです（ファイルサイズの制限）。

そう、PCAはこの問題を解決 するための選択肢の一つである。簡単なテスト例で試してみたが、少なくとも悪化はしなかった。

[削除済み]

Олег:
Gaidyshev Data Analysis and Processing Special Reference 2001. ch6 methods of dimensionality reduction (The book is good with examples in C).ネット上にpdfがありますが、djvuしか添付できませんでした（ファイルサイズの制限）。

https://www.mql5.com/ru/forum/86386/page1189#comment_9795331