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 2648 1...264126422643264426452646264726482649265026512652265326542655...3399 新しいコメント mytarmailS 2022.05.25 11:42 #26471 Aleksey Nikolayev #:特定された箱をどうするかという問題は複雑で、あらゆるケースを想定した明確なルールはほとんどないと思う。よく考え抜かれたアルゴリズムは、おそらくかなり秘密の「ノウハウ」なのだろう）。もしケースが同じ予測変数の集合で得られるなら、おそらく交差しないだけで十分だろう。もし交差があれば、それは別の箱に割り当てられ、その補集合はいくつかの箱に分割できる。しかし，箱の数が多すぎると，標本が分断されすぎる．したがって、ボックスの概念を一般化することができる。ルールの言語では、これは否定と ORをANDに追加することを意味する。ボックスが完全に異なる予測変数で得られる場合（たとえば、randomforest法）、その中に入る標本の部分の意味においてのみ、重なり合うことができます。ここでは、ポートフォリオに近いアイデアが必要であろう。予測変数の集合が部分的に重なる場合，何らかのアプローチの混合があるに違いないが，はっきり言うのは難しい．これをどのように統一的なスキームに落とし込むかは、私にはわからない。 決定木を単純に "うまく "構築する標準的な方法は、これらの問題を回避する ものであり 、我々の目的には適していない。プルーニング・アルゴリズムを選択することで改善できるかもしれないが、私の考えでは、ルール構築アルゴリズムを創造的に作り直す方がよい。 最も賢い結論 すぐに使えるアルゴリズムには近似ルールしかない： x[1]>0.5 && x[3]> -0.2 &... のように。 それらは変数（行列の列またはフレームX1...X10）と抽象的な境界線（数字X[1]>0.5）しか持たない。 些細なX1> X 2はどうだろうか？ や X1 !> X 2の否定はどうだろう。 X1> (X2*X3) はどうだろう？ また、インデックスへのバインディングは、非定常市場では機能しないのでしょうか？ A " があって"B " がなければ "C"という表現です。 それはちょうど箱から出してアルゴリズムではありません。 アルゴリズムは同じで、フォレストは何百ものルールを作成し、それらのクラス確率の合計を見るだけです。 市場では、私たちはまれなイベントを気にするので、私たちはルールの数ではなく、ルールの数に移動する必要があります。 Ema of Previous Bar wait 5 second???? Algorithm Optimisation Championship. mytarmailS 2022.05.25 12:35 #26472 次元削減 アルゴリズムは、正規化の有無にかかわらず、異なるデータ型のサンプルをどのように見ているのだろうか？ 例えば、文字列と数字というデータ型があるとする。 q1 q2 1 c -1.630015623 2 c 1.781979246 3 b -0.598134088 4 a -0.611477494 5 b -0.347432530 6 b -0.474427356 7 e -1.048827859 ..... まずq1をdigitsに変換する。 q1 q2 1 3 -1.630015623 2 3 1.781979246 3 2 -0.598134088 4 1 -0.611477494 5 2 -0.347432530 6 2 -0.474427356 7 5 -1.048827859 .... 完了 これをUMAPアルゴリズムに送り、固有ベクトルを得る。 [,1] [,2] [1,] 6.762433406 9.08787260 [2,] -21.488330368 10.67183802 [3,] 6.810413818 9.35273386 [4,] -20.950310976 15.20258097 [5,] 32.100723691 -9.74704393 [6,] 6.892939805 16.84639975 [7,] -17.096480607 -6.63144430 点を可視化する ナイスなワームが得られた )) q1という 変数で色をつけてみよう。 見てわかるように、変数q 1はこれらのワームの構造を作り、それ自身に重要性を引き寄せ、 変数 q 2の寄与を減らして いる。 これは、変数q1の値が大きく、データが正規化されて いないからである。 データを正規化すれば、各変数の貢献度は同じになり、次のようになります。 ある参加者にとっては、これは当たり前のことであり、正規化する必要があることは理解している、 しかし、変数の寄与度を増減させることによって、クラスタリングを制御できると考えたことはありますか？ PapaYozh 2022.05.25 12:39 #26473 mytarmailS #:ポイントを視覚化する 寄生虫のように見える） Maxim Dmitrievsky 2022.05.25 13:41 #26474 mytarmailS #:しかし、変数の寄与度を増減させることで、クラスタリングをコントロールできると考えたことがあるだろうか？ そう、有意性を意図的に過大評価したり過小評価したりするのだ。しかし、それは芸術であり、分析するのは難しい。 スケールを変えたり正規化したりすると、学習済みモデルの特性が変わってしまうのです。 mytarmailS 2022.05.25 14:04 #26475 Maxim Dmitrievsky #: 非定常的な価格で、私は長い間サインと戦ってきた。 みんな戦っているんだ。 Forester 2022.05.25 14:35 #26476 mytarmailS 次元削減 アルゴリズムは、正規化の有無にかかわらず、異なるデータ型のサンプルをどのように見ているのだろうか。 例えば、データ型には、データ型、文字列型、数字型がある。まずq1を数字に変換する 文字列は数値よりもカテゴリー形式に変換した方がよい。もちろん、UMAPがそれを処理できればの話だが。 a=1とe=5は5倍も違うわけではない。そして、数字化することによって、あなたはそれらをより暖かく、より温かくしたのだ。 mytarmailS 2022.05.25 15:09 #26477 elibrarius #:a=1とe=5は5倍も違う、 うーん、うん、まったくその通りだ。一発変換とかしないとダメだね。 Aleksey Vyazmikin 2022.05.25 16:02 #26478 Aleksey Nikolayev #:特定された箱をどうするかという問題は複雑で、あらゆるケースを想定した明確なルールはほとんどないと思う。よく考え抜かれたアルゴリズムは、おそらくかなり秘密の「ノウハウ」なのだろう）。もしケースが同じ予測変数の集合で得られるなら、おそらく交差しないだけで十分だろう。もし交差があれば、それは別の箱に割り当てられ、その補集合はいくつかの箱に分割できる。しかし，箱の数が多すぎると，標本が分断されすぎる．したがって、ボックスの概念を一般化することができる。ルールの言語では、これは否定とORをANDに追加することを意味する。ボックスが完全に異なる予測変数で得られる場合（たとえば、randomforest法）、その中に入る標本の部分の意味においてのみ、重なり合うことができます。ここでは、ポートフォリオに近いアイデアが必要であろう。予測変数の集合が部分的に重なる場合，何らかのアプローチの混合があるに違いないが，はっきり言うのは難しい．これをどのように統一的なスキームに落とし込むかは、私にはわからない。決定木を単純に "うまく "構築する標準的な方法は、これらの問題を回避するものであり、我々の目的には適していない。プルーニング・アルゴリズムを選択することで改善できるかもしれないが、私の考えでは、ルール構築アルゴリズムを創造的に作り直す方がよい。 まあ、詳細を理解しないと、ロジックを変更するのは難しい。 私自身は、ボックスの追加の2つの座標（2 - 量子境界）が何なのか理解していません。 ただ、私の方法を開発するために有用なものを探しています。私は "箱 "の接着も行っていますが、アルゴリズムは完璧ではありません。 Aleksey Nikolayev 2022.05.25 19:22 #26479 Aleksey Vyazmikin #:ほらね、詳細を理解しないと、ロジックに変更を加えるのは難しいんだ。私自身は、ボックスの追加の2つの座標（2 - 量子境界）が何なのか理解していませんでした。ただ、私の方法を開発するために有用なものを探していました。私は "箱 "の接着も行っていますが、アルゴリズムは完璧ではありません。 特にPRIMについて話しているのであれば、私のリンクは2つの予測変数x1とx2に対してどのように機能するかの例を示しただけです。したがって、(a1<x1<b1)&(a2<x2<b2)の形のボックスが選択されます。箱の外側に残されたものは、明らかに内側にあるものとは異なるクラスに属するとみなされる。各ステップで箱から小片を切り離す（剥がす）というアルゴリズムの 本質を 簡単な例で示そうとする試みがあった。どの断片を切り離すか、どの予測子によって切り離すかは、「軌跡」ステップの最適性の条件から選択される。 私はこのアルゴリズムに、（木を解くための）ルールを構築するための標準的なアルゴリズムが、自分のニーズに合わせてどのように変更できるのか、また変更すべきなのかを示す例として興味を持った。 Aleksey Vyazmikin 2022.05.25 20:10 #26480 Aleksey Nikolayev #:特にPRIMについて話しているのであれば，私のリンクは2つの予測変数x1とx2についてどのように動作するかの例を示している．したがって，(a1<x1<b1)&(a2<x2<b2)の形のボックスが選択される．箱の外側に残されたものは、明らかに内側にあるものとは異なるクラスに属するとみなされる。各ステップで箱から小片を切り離す（剥がす）というアルゴリズムの 本質を 簡単な例で示そうとする試みがあった。どの断片を切り離すか、どの予測子によって切り離すかは、「軌跡」ステップの最適性の条件から選択される。私はこのアルゴリズムに、（木を解くための）ルールを構築するための標準的なアルゴリズムが、自分のニーズに合わせてどのように変更できるのか、また変更すべきなのかを示す例として興味を持った。 あなたがそれを理解したのは良いことだ。最初は理解できなかった。明確にしてくれてありがとう。 しかし、その後、最初の段階のアルゴリズムは、よりよくボックスに分離する予測変数のペアを見つけ、それらに「剥離」を適用する必要があることがわかりました。 1...264126422643264426452646264726482649265026512652265326542655...3399 新しいコメント 理由: キャンセル 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
特定された箱をどうするかという問題は複雑で、あらゆるケースを想定した明確なルールはほとんどないと思う。よく考え抜かれたアルゴリズムは、おそらくかなり秘密の「ノウハウ」なのだろう）。
もしケースが同じ予測変数の集合で得られるなら、おそらく交差しないだけで十分だろう。もし交差があれば、それは別の箱に割り当てられ、その補集合はいくつかの箱に分割できる。しかし，箱の数が多すぎると，標本が分断されすぎる．したがって、ボックスの概念を一般化することができる。ルールの言語では、これは否定と ORをANDに追加することを意味する。
ボックスが完全に異なる予測変数で得られる場合（たとえば、randomforest法）、その中に入る標本の部分の意味においてのみ、重なり合うことができます。ここでは、ポートフォリオに近いアイデアが必要であろう。
予測変数の集合が部分的に重なる場合，何らかのアプローチの混合があるに違いないが，はっきり言うのは難しい．
これをどのように統一的なスキームに落とし込むかは、私にはわからない。 決定木を単純に "うまく "構築する標準的な方法は、これらの問題を回避する ものであり 、我々の目的には適していない。プルーニング・アルゴリズムを選択することで改善できるかもしれないが、私の考えでは、ルール構築アルゴリズムを創造的に作り直す方がよい。
最も賢い結論
すぐに使えるアルゴリズムには近似ルールしかない：
x[1]>0.5 && x[3]> -0.2 &... のように。
それらは変数（行列の列またはフレームX1...X10）と抽象的な境界線（数字X[1]>0.5）しか持たない。
些細なX1> X 2はどうだろうか？
や X1 !> X 2の否定はどうだろう。
X1> (X2*X3) はどうだろう？
また、インデックスへのバインディングは、非定常市場では機能しないのでしょうか？
A " があって"B " がなければ "C"という表現です。
それはちょうど箱から出してアルゴリズムではありません。
アルゴリズムは同じで、フォレストは何百ものルールを作成し、それらのクラス確率の合計を見るだけです。 市場では、私たちはまれなイベントを気にするので、私たちはルールの数ではなく、ルールの数に移動する必要があります。
次元削減 アルゴリズムは、正規化の有無にかかわらず、異なるデータ型のサンプルをどのように見ているのだろうか？
例えば、文字列と数字というデータ型があるとする。
まずq1をdigitsに変換する。
完了
これをUMAPアルゴリズムに送り、固有ベクトルを得る。
点を可視化する
ナイスなワームが得られた ))
q1という 変数で色をつけてみよう。
見てわかるように、変数q 1はこれらのワームの構造を作り、それ自身に重要性を引き寄せ、 変数 q 2の寄与を減らして いる。
これは、変数q1の値が大きく、データが正規化されて いないからである。
データを正規化すれば、各変数の貢献度は同じになり、次のようになります。
ある参加者にとっては、これは当たり前のことであり、正規化する必要があることは理解している、
しかし、変数の寄与度を増減させることによって、クラスタリングを制御できると考えたことはありますか？
ポイントを視覚化する
寄生虫のように見える）
しかし、変数の寄与度を増減させることで、クラスタリングをコントロールできると考えたことがあるだろうか？
非定常的な価格で、私は長い間サインと戦ってきた。
例えば、データ型には、データ型、文字列型、数字型がある。
まずq1を数字に変換する
文字列は数値よりもカテゴリー形式に変換した方がよい。もちろん、UMAPがそれを処理できればの話だが。
a=1とe=5は5倍も違うわけではない。そして、数字化することによって、あなたはそれらをより暖かく、より温かくしたのだ。
a=1とe=5は5倍も違う、
特定された箱をどうするかという問題は複雑で、あらゆるケースを想定した明確なルールはほとんどないと思う。よく考え抜かれたアルゴリズムは、おそらくかなり秘密の「ノウハウ」なのだろう）。
もしケースが同じ予測変数の集合で得られるなら、おそらく交差しないだけで十分だろう。もし交差があれば、それは別の箱に割り当てられ、その補集合はいくつかの箱に分割できる。しかし，箱の数が多すぎると，標本が分断されすぎる．したがって、ボックスの概念を一般化することができる。ルールの言語では、これは否定とORをANDに追加することを意味する。
ボックスが完全に異なる予測変数で得られる場合（たとえば、randomforest法）、その中に入る標本の部分の意味においてのみ、重なり合うことができます。ここでは、ポートフォリオに近いアイデアが必要であろう。
予測変数の集合が部分的に重なる場合，何らかのアプローチの混合があるに違いないが，はっきり言うのは難しい．
これをどのように統一的なスキームに落とし込むかは、私にはわからない。決定木を単純に "うまく "構築する標準的な方法は、これらの問題を回避するものであり、我々の目的には適していない。プルーニング・アルゴリズムを選択することで改善できるかもしれないが、私の考えでは、ルール構築アルゴリズムを創造的に作り直す方がよい。
まあ、詳細を理解しないと、ロジックを変更するのは難しい。
私自身は、ボックスの追加の2つの座標（2 - 量子境界）が何なのか理解していません。
ただ、私の方法を開発するために有用なものを探しています。私は "箱 "の接着も行っていますが、アルゴリズムは完璧ではありません。
ほらね、詳細を理解しないと、ロジックに変更を加えるのは難しいんだ。
私自身は、ボックスの追加の2つの座標（2 - 量子境界）が何なのか理解していませんでした。
ただ、私の方法を開発するために有用なものを探していました。私は "箱 "の接着も行っていますが、アルゴリズムは完璧ではありません。
特にPRIMについて話しているのであれば、私のリンクは2つの予測変数x1とx2に対してどのように機能するかの例を示しただけです。したがって、(a1<x1<b1)&(a2<x2<b2)の形のボックスが選択されます。箱の外側に残されたものは、明らかに内側にあるものとは異なるクラスに属するとみなされる。各ステップで箱から小片を切り離す（剥がす）というアルゴリズムの 本質を 簡単な例で示そうとする試みがあった。どの断片を切り離すか、どの予測子によって切り離すかは、「軌跡」ステップの最適性の条件から選択される。
私はこのアルゴリズムに、（木を解くための）ルールを構築するための標準的なアルゴリズムが、自分のニーズに合わせてどのように変更できるのか、また変更すべきなのかを示す例として興味を持った。
特にPRIMについて話しているのであれば，私のリンクは2つの予測変数x1とx2についてどのように動作するかの例を示している．したがって，(a1<x1<b1)&(a2<x2<b2)の形のボックスが選択される．箱の外側に残されたものは、明らかに内側にあるものとは異なるクラスに属するとみなされる。各ステップで箱から小片を切り離す（剥がす）というアルゴリズムの 本質を 簡単な例で示そうとする試みがあった。どの断片を切り離すか、どの予測子によって切り離すかは、「軌跡」ステップの最適性の条件から選択される。
私はこのアルゴリズムに、（木を解くための）ルールを構築するための標準的なアルゴリズムが、自分のニーズに合わせてどのように変更できるのか、また変更すべきなのかを示す例として興味を持った。
あなたがそれを理解したのは良いことだ。最初は理解できなかった。明確にしてくれてありがとう。
しかし、その後、最初の段階のアルゴリズムは、よりよくボックスに分離する予測変数のペアを見つけ、それらに「剥離」を適用する必要があることがわかりました。