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 2067

新しいコメント
 
Aleksey Vyazmikin：

これは正しいのですが、すでに葉に多く含まれている行を削除すると、その数は若干少なくなり（クラス「0」）、品質は落ちないはずです。一方、「1」の相対値は大きくなるので、以前は統計的に正しくなかった、それらの葉の変種をモデルに考慮して探索することができるようになるのです。

また、学習の妨げになることもあるので、独特の葉っぱを取り除くという方法もあります。

同じようなセリフがたくさんあれば、その状況がよく繰り返されることを意味します。例えばクラス0を削除して、レーストレードでクラス1のリーフを起動し始めると、もしパターンが変わらなければ、予測した1ではなく、再び0がたくさん出てくることになります。そして、損失を被る。必要ですか？

MOは、そのパターンが保持され、過去と同じように作用するという前提で予測するしかない。学習からパターンを取り除くことで、ランダムなものを得ることができます。

 
アレクセイ・ニコラエフ：

アプリケーションの例で説明するとわかりやすいかもしれません。

point 1）-日周変動の持続性-反持続性の仮説の検証。時間帯によって価格が継続したり、逆に方向転換したりする傾向をチェックするものである。そのためには、 相関 関係を知っておく必要があります。

ポイント②③-価格反転は「時間差で起こる」ので、「適切な」タイミングで行うのが良いという仮説の検証。

ポイント3）-ジグザグの長さの経験分布を調べることで、時間帯のフラット（流行）モーメントを探索する。

1）何と何の相関があるのか？

 
Valeriy Yastremskiy：

日については、了解しました。曜日についての 質問です。平均化期間内の時間である日数は、当初は曜日と連動していない。最初に曜日と結びつけることで、時間帯を考慮した週内再現性を検出することができます。月の時間帯のみとの連動がありますね。

もちろん、日中の分足（例えば、1週間の中に5分足がある）に例えることもできますが、その場合、純粋な週足としての周期性と日足からの周期性の継承、さらにニュース効果などの非定常性を分離する必要があります。とにかく、週次での季節感が顕著なのが気になりますね。

 
elibrarius:

1）何と何の相関があるのか？

隣接するインクリメント。

 
アレクセイ・ニコラエフ：

もちろん、日中の分足（例えば週内5分足）を類推することは可能だが、その場合、純粋な週次性と継承された日次の周期性、さらにニュース効果などの非定常性を分離する必要がある。とにかく、同じように顕著な週次での季節感はあまり感じられません。

どうやら私は鈍感なようです。週次平均は考えていない。毎日午前9時、毎月3日、5日、10日、毎週水曜日の午前9時という定期的なイベントというのは、どうやって答えを出すのでしょうか。

 
Valeriy Yastremskiy：

どうやら私は鈍感なようです。週次平均は考えていない。毎日午前9時、あるいは毎月3日、5日、10日、あるいは毎週水曜日の午前9時の定期的なイベントというのは、どのようにして答えを出すのでしょうか。

毎日午前9時に繰り返される事象は、毎週水曜日の午前9時に繰り返される事象でもあるという精神で、理解して書いたつもりなのですが。日周性が非常に明るいため、日周ではない週周性の事象を切り分けるのはかなり難しいでしょう。もちろん、私が間違っている可能性もありますが、まだ明確な週単位の周期性に気づいていないので、私のコードでそれを検出する方法はありません。

 
elibrarius:

同じような列がたくさんあると、その状況が繰り返されることが多いのです。例えばクラス0を捨てて、クラス1のシートをラリーで起動し始めると、パターンが変わらなければ、予測された1の代わりに、また0がたくさん出てくることになります。そして、損失を被る。必要ですか？

MOは、そのパターンが保持され、過去と同じように作用するという前提で予測するしかない。学習からパターンを取り除くことで、ランダムな

40%の精度でよく稼ぐストラテジー、トレンドストラテジーがありますが、標準的なMOメソッドでは、精度が十分でない場合、クラス「1」をゼロに捨ててトレーニングすることができず、私はちょうどそのような分割を分離して改善する必要があり、そのようなメソッドを探しています。それ以外は1回と非常に少ないリコールです。

 
アレクセイ・ニコラエフ：

日中のパターンを探すには、日中のボラティリティの変動が妨げになる。どうにかして排除しなければならない。可能な方法

1）日中のボラティリティを考慮した増分の再調整。

2) 分散が一様に成長する、新しい日中時間に切り替える。

3）ジグザグ模様の使用。ニーは、ボラティリティの変動に左右されない値です。もちろんトップタイムはボラティリティに依存するが（ボラティリティが高いほど頻度が高い）、均一な時間に移行するとこれらのクラスターは消滅する。

それは理論的にはそうだが、実際にはどう考えても......。)

増分のボラティリティを正規化し、分散を均等化した。情報を失っただけです。

 
Aleksey Vyazmikin：

ストラテジー、トレンドストラテジーで40％の精度でよく稼げるものがあるのですが、標準的なMO法ではトレーニングできず、精度が足りないと クラス「1」をゼロに落として しまい、そのような分割を分けて改善するだけなので、そういう方法を探しているのですが、どうでしょうか？それ以外の場合、Recallは1と非常に小さい。

トレンドならTPは大きいがSLは小さい。例えば500→100のように。80%の誤差の場合、20%の成功トレードと80%の負けトレードが存在することになります。残高はほぼゼロになる。70%の誤差で葉を取引すれば、すでに利益が出ていることになります。そして、50/50が見つかれば、利益は莫大なものになる。


捨てられたって どういうこと？エラーの70％はクラス0に捨てられるようで、残り30％のクラス1ではもう儲けられる。

 
Aleksey Vyazmikin：

Maximさん、CatBoostからC++用のモデルが正しくアンロードされていないのではないかという疑いがあります。

MQL5のモデル解釈で、CPPモデルから取得した値と、バイナリモデルから取得した値に食い違いがあるのですが、どうしたらいいでしょうか？デルタは約0.15-。

Pythonのほうはcppをラッパーにしています。すべて正常に動作しています。

つまり、python形式でもcpp形式でも保存できるのです。モデル自体が複数の配列になっているので、cppで保存して、簡単な操作でmqlに変換しています。
1...206020612062206320642065206620672068206920702071207220732074...3399
新しいコメント
理由: