Привет дата-ниндзя👋! Первый вопрос, который ты задашь — зачем вообще это нужно ❗️❓ Предположим, ты исследуешь причинно-следственную связь между двумя величинами (Y зависит от X). И тогда, изменяя X, мы можем быть уверены что изменяем Y, причем уверены мы не только в самом факте изменения, но и в его направлении и величине (magnitude). Конечно...
覚えてるけど、フィッティングエラーだよ、つまり、トレースサンプリング...
次の300本の誤差です。各バーで予測値が生成され、フィルタリングされ、モデルが学習され、次のバーが予測される。
モデルが長生きしないことはよくあることですから。しかし、私は、少なくとも1年以上の間隔で、モデルの劣化が緩やかで、 。
これには同意できない。
市場は変化しており、変化の時間間隔はそれぞれ異なり、独立している。
私は以前、3ヶ月から6ヶ月のEAを書くことができました。週末に最適化した。その後、EAは死んでしまい、短期間ではあるが、預金を使い果たすには十分だった。しかし、最適化のための十分な時間はありませんでした。結局、状況はさらに悪化した。しばらくして、パラメーターを選択することが不可能な境界線があることが判明した。
市場が変化する期間は5~7年と長い。しかし、結果は月次の場合と同じである。ボットは永遠に死ぬのだ。私はプライベート・メッセージで市場から特定のボットを送信します - ここではできません。
だから、"サンプル外 "という考え方はくだらない。ボットにはまだ寿命がある:3ヶ月か7年か。ボットが死ぬと、私たちはそれを別のドローダウンと混同し、預金を失う。
理想的なのは、次のローソク足で再トレーニングすることだ。ティックで動作する場合は、次のティックで、H1で、次の時間の到着時に。
すべての鉄棒でトレーニングすることに異論はないし、例えば固定しないティックでもいいかもしれない。私はトレーニングの構造を完全に理解していません。EAロジックは各バーで別のトレーニングなのでしょうか、それともトレーニングの一部なのでしょうか?それは最初のトレーニングの尾のようなもので、何尾、またはトレーニングの段階ですか?
各バーですべてが新しくなります。
因果推論には もっと木製のモデルがある。
実際には、多くの解釈がある:
- RLはMLよりも優れて いるが、モデル化する必要が あり、すべてを考慮できるわけではない......。
- 相関のある2つの値について推論する場合、何が何に依存するかについてのみ推論することができ、その逆はできない(結果が要因に、または要因が結果に)
- 媒介、中庸、相互作用、依存関係がプロセスに干渉する(実験的に追跡することさえできないことが多い)
- 一般的に、実験を計画することが重要である(依存関係のグラフを描くことができると便利である、正確に論理的、理論的なもの) 実験を計画するためには、その結果をMLで処理することができる、あるいはさらに単純な .......
、つまり、調査した要因に関する条件分布、あるいは調査した2つの要因の共同影響度を得るために、どのような順序で、どのような要因を修正するか、得られた結果を無条件分布と比較するか、「より良い-良くない」、「影響-影響でない」という仮説を提唱するか、統計的に確認するか反論するか、フィールド条件でのテストに移行するか...。そして新たな因果推論を得る。)
そして、ML RFでは、相関行列をどのように処理しているのかわからない。
多くの人が確率モデルを批判するのは、まさに2.のためであり、他の要因の影響も考慮していると主張して、因果推論を称賛し始めるのである...。しかし、この問題(推論と 同義語)がVM装置によってアルゴリズム的にどのように解決されるかは(少なくとも私には)不明である。
私にとって因果推論は本質的に推論 であり、媒介、中庸、相互作用の研究は別の大きなトピックであり、好みの問題である(つまり、論理的に構築されたグラフをあれこれスケッチすること)。
市場に1つのBPがあるだけで、従属性に関する仮説を検証することはできません...そして、実験の合理的な設定で、1つのOLSまたはANOVAで十分です(しかし、確実にチップを1つに絞る必要はないでしょう)。
?? ...というわけで、ある特徴をある要因に帰着させるとか、ある結果に帰着させるというアルゴリズムは、(木型でもなんでも)論理的・理論的な知識以外には知りません.とはいえ、昨今はいろいろなものが別の言葉で宣伝されているので、どのような文脈で因果推論に 出会ったのかは知らないが......。
実践から、多くの解釈:
- 環境が被検者に影響を与える(実験室条件下ですべてが相関する場合、自然条件下では、他の説明できない依存関係が現れる - 最も平凡なもの - 人的要因や混雑効果) - RLはMLよりも優れているが、モデル化する必要もあり、すべてを考慮することはできない....
- 相関のある2つの値について、何が何に依存するかについての推論ができるだけで、その逆はできない(結果が要因に、または要因が結果に)
- 媒介、中庸、相互作用、プロセスに干渉する依存関係(多くの場合、実験的に追跡することさえできない)
- 一般的に、実験を計画することが重要である(依存関係のグラフを描くことができると便利である、正確に論理的、理論的なもの) 実験を計画するためには、その結果をMLで処理することができる。...
すなわち、調査された要因の条件分布、あるいは調査された2つの要因の共同影響度を得るために、どのような順序で、どのような要因を修正するか、得られた結果を無条件分布と比較する-「ベターかベターでないか」という仮説を提唱し、統計的に確認し、あるいは反論し、フィールド条件でのテストに移行する...そして新たな因果推論を行う)
そして、ML RFでは - 私は彼らが相関行列を処理し、それを行う方法を知りません - (特にポイント2は疑問である)。
多くの人が確率モデルを批判するのは、まさにこの2のためであり、他の要因の影響も考慮していると主張して、因果推論を賞賛し始めるのである。しかし、この問題(推論と同義語)がVM装置によってアルゴリズム的にどのように解決されるかは(少なくとも私には)不明である。
私にとって因果推論は本質的に推論 であり、媒介、中庸、相互作用の研究は別の大きなトピックであり、好みの問題である(つまり論理的に構築されたグラフをスケッチすること)。
市場に1つのBPがあるだけでは、依存関係についての仮説を検証することはできません...合理的な実験を行えば、1つのOLSまたはLDAで十分です(しかし、確実に機能を割り当てる必要はありません)。
?? ...というわけで、(木型でもなんでも)特徴を要因に帰属させるとか、結果に帰属させるとか、そういうアルゴリズムは、ロジックや理論的な知識以外にはわからない......。とはいえ、昨今はいろいろなものが別の言葉で宣伝されているので、どのような文脈で因果推論に出会ったのかは知らないが......。
Uberの リブで、プロセスを改善したというのを見ました。
相関関係=因果関係という一般的な解釈と、A/Bを始めとするさまざまな方法でそれを解決しようとしているが、それはよくわからない。
変な定義をしている。ボトルなしでは理解できない。余計な言葉で頭をいっぱいにしなければならない。
ところで、他のモデルはどのように動作するのだろうか。mach()関数を エラーなしで 作成できるのだろうか。
GPチューニングなしで、異なるモデルを簡単にトレーニングした
結論:モデルは関数を作ることはできないが、ある程度の精度で近似することはできる。
これは次の 300 バーの誤差である。各バーで予測変数が形成され、フィルタリングされ、モデルがトレーニングされ、次のバーが予測された。
夕方、同じようなことをやってみようと思うが、私はこのような再教育ボットをかなりたくさんやっている。
むしろ、テスト・サンプルとは何かという概念や理解に混乱があり、そのために私たちは同じものを呼びながら、異なることを話しているのだ。
タスク・キューが少しアンロードされ、スクリプトを実行できるようになった。実行するとエラーが出る。
プログラムが古いバージョンR 4.0を要求しているという理解で合っていますか?
古いバージョンを探したのですが、見つかりませんでした。もちろん、ひどい非互換性には反吐が出る。
違う。異なるバージョン用にビルドされたパッケージには警告が出る。非互換性とは何のことでしょうか?
randomForest v.4.7-1.1はどこにも行かなかったし、クレーンにも。R 4.1.3
ビルド3440からAVXバージョンの配布を開始しますのでご注意ください:https://www.mql5.com/ru/forum/432624/page5#comment_42117241。
次のステップは、数学的装置をベクトルとOpenCL関数に書き換えることです。これにより、CUDAのような追加ライブラリをインストールすることなく、10倍の加速が可能になります。
これは本当に大きな前進だ。指標やエキスパートの書き換えが必要ですか?
それには同意できない。
市場は変化しているし、変化の時間間隔はそれぞれ異なり、独立している。
以前は3ヶ月から6ヶ月のExpert Advisorを書くことができた。週末に最適化していた。その後、彼らは死んでしまい、短期間ではあるが、預金を使い果たすには十分だった。しかし、最適化には時間が足りない。結局、状況はさらに悪化した。しばらくして、パラメーターを選択することが不可能な境界線が存在することが判明した。
市場が変化する期間は5~7年と長い。しかし、結果は月次の場合と同じである。ボットは永遠に死ぬのだ。具体的なボットをプライベート・メッセージでお送りします。
だから、"サンプル切れ "という考え方はくだらない。ボットにはまだ寿命がある:3ヶ月か7年か。ボットが死ぬと、私たちはそれを別のドローダウンと混同し、デポを使い果たす。
理想的なのは、次のローソク足で再教育することだ。ティックで動作する場合は、次のティックで、H1で動作する場合は、次の時間の到着時に。
あなたのアルゴリズムとKNN(またはその修正版)を比較しましたか?どの程度の利得があるのか興味深い。