FR H-Volatility - ページ 9 12345678910111213141516...42 新しいコメント Prival 2007.11.28 20:41 #81 Yurixx: 意思決定のロジックを説明するために、何らかの方法で視覚化する必要がある。 ボロノフ図を視覚化することで、X軸とY軸に何を置けばいいのかがわかるようになることもあるんです。インターネットで調べた例を、解説付きでご紹介します。 ファイル: doc.zip 631 kb Neutron 2007.11.29 05:30 #82 Yurixx: パラメータがそれほど多くない場合でも、システムの位相空間は人間の知覚には多次元的であることが判明した。もしこのアプローチが正しく、選択された推定値が位相空間のクラスタリングを可能にするならば、クラスタの位置と形状は非常に複雑なトポロジーを持つことができる。NSは、確率的な評価と同様に、この点では非常に優れている。 もし私の理解が正しければ、「位相空間クラスタリング」を実現するために、研究者はNSの入力データをあらかじめ用意する必要があります。この場合、NSは、入力パラメータとその任意の組み合わせによる多次元位相空間（PS）において、「重要な」領域を独自に割り当て、PSの体積、ひいては必要な計算の体積を大幅に縮小させる。そうだろ？ しかし、NSが「ずっとうまく処理できる」という「確率的評価」とは何なのか、私には理解できない。 Neutron 2007.11.29 07:14 #83 Prival: ボロノフ図が視覚化に役立つこともありますが、X軸とY軸に何を下ろすかを理解する必要があります。以下は、Webで調べた例を解説付きで紹介します。 間違っていたら訂正してください。ボロノフの図は、あるクラスの微分方程式の境界条件が与えられる空間の最適な（ある意味での）分割境界を示したものである。では、今回のテーマとどう関係しているのでしょうか。 Prival 2007.11.29 07:52 #84 ニュートロン HボラFRとは関係なく、NSというか、認識理論に関係することで、クラスとその分解の仕方を図にすると視覚化できることがあるので、本当にすみません。 ただ、質問を拝見して、お役に立てればと思いました。 Yurixx 2007.11.29 15:34 #85 Neutron: 私の理解が正しければ、「位相空間クラスタリング」を実現するためには、まず研究者がNSの入力データを用意する必要があります。この場合、NSは入力パラメータとその任意の組み合わせからなる多次元位相空間（PS）に「重要な」領域を独自に割り当て、PSの体積、ひいては必要な計算量を大幅に削減することが可能になる。そうだろ？ しかし、NSの方が「ずっと扱いやすい」という「確率的な推定値」は何なのか、私には理解できない。 FPのクラスタリングは別のタスクで、コホーネンネットが実行する。これは1層のネットワークで、学習の過程で（教師なしで！つまり自己学習で）FPのクラスタリングを行う。 そしてこれらのデータに、クラスタ分布を記述するカーネル関数をフィットさせる。そして、確率的なネットワークを構築します。（私が理解した限りでは）最も単純なバージョンでは、学習すら必要なく、単にベイズ統計を使って新しいサンプルが特定のクラスタに属する確率を考慮するだけでよいのです。出力は勝利クラスタである。これはあくまで、可能な限り簡略化したスキームです。 NSのアーキテクチャ、入力データの準備の仕方、学習アルゴリズムの3つが、すべてのベースとなる重要な要素である。このように、3つの構成要素には、それぞれ形容しがたいものが含まれています。私の理解では、これがNSがクリエイターから受け継いだものであり、それによってうまく機能するようになっています。そして、活性化関数の重みとパラメータという数値は、あくまで付録としてです。誰にでも頭はありますが、それで考える人もいれば、それで食べる人もいます。:-) Neutron 2007.11.30 05:37 #86 由良さん、ありがとうございます。素晴らしい回答です。 差し支えなければ、NSの適用性について質問させてください。例えば、私のラムズ-カギのコンストラクションを参考にします。生成ジグザグ（青線）と取引線（赤線）があります。 赤い線の挙動は統計的に予測可能であり、振幅S=(H-volatility-2)*Hでジグザグになりやすいという理論（Pastukhovの論文）から、赤い線の挙動は予測可能である。これは、代表的なサンプルに対するストラテジーの統計的リターンの平均値です。残念ながら、推定値はスプレッドより小さくなるのが普通です。そして、この場合、時系列 解析という統計的手法が与えてくれるのは、これだけである。 一方、一定時間間隔でのリターン（実質的に実現不可能）が、与えられた分割ステップHで可能な最大値となる生成ジグザグがあり、例えば分割H=spreadでのリターンは、あらゆるBPで可能な最大値となる。ジグザグを予測できるツールを手に入れたいものですあるいは、少なくとも、statmethod (S)で与えられた収率よりも高い収率で、そのような予測が可能であることを原理的に証明する。 このような形式の問題は、NSによる解析に適しているという理解でよろしいのでしょうか？ 追伸：等距離ジグザグを予測する（1ステップで）のがベストな選択肢のようです。なぜなら、私たちは価格変動のみを取引し、この変動が発生した時間間隔は、第一近似的に収益性に含まれないからです。 Yurixx 2007.11.30 19:18 #87 Neutron: ジグザグを予測できるツールを手に入れたいものです少なくとも、統計手法(S)による予測よりも高いリターンでそのような予測をすることが原理的に可能であることを証明しなければならない。 このような形式の問題は、NSによる解析に適しているという理解でよろしいのでしょうか？ 追伸：等距離ジグザグを予測する（1ステップで）のがベストな選択肢のようです。第二に、時間軸に関連する次元を取り除くことです。なぜなら、私たちは価格変動のみを取引し、この変化が起こった時間間隔は、第一近似的に収益性に含まれないため、これは必要ではありません。 もちろん、理論的には適している。しかし、実質的に ... 私がネットワークについて読んだ数少ないものは、初心者へのアドバイスとして、価格行動の予測は効果がない、というものがあふれています。確かに、考えてみれば、ネットワークが突然、将来の値動きを知ることができるわけがない。たくさんのニューロンを詰め込んで、たくさんのデータを与えたからということですか？この点、私は合理主義者である。 この知識は無から有を生むものではない。 私が3頭のクジラのことを書いたのには理由がある。これらのクジラのほかに、さらに重要なのは、それが描かれたソース、つまり作者の意図である。そして、このコンセプトには、どのデータがどのような形で市場に関する重要な情報を含んでいるか、意思決定に意味のある結論を導き出すためにネットワーク上でどのように処理しなければならないか、最後に、これらの数字を見つけるためにどのようにネットワークを教えるかという考えが含まれていなければなりません。 この点から、この定式化の問題は、ネットワークには適しているものの、複雑で、見通しが悪いと思います。ティックとその上に作られるジグザグは非常によく似た分布をしており、ジグザグを予測することは価格よりも容易ではないためです。 ZigZagは、ネットワークの入力として使うのはもちろんですが、価格パターンの表現として最も便利な形として、実に面白いように思います。まさにそれらのパターン、教えていただいたサイトへのリンクは、非常に面白い選択肢かもしれませんね。しかし、この場合、ネットは価格を予測するのではなく、市場の状態を判断することになる。これは少し違うアプローチです。NSが統計的に上か下かを出力することは、動きを予測することよりもずっと現実的な課題です。しかし、このバリエーションはZigZagと相性がいいんです。だから見込みがあるのであって、問題文を解けるようにやればいいだけなのです。 Neutron 2007.12.01 12:17 #88 由良さん、明快な解説をありがとうございます。これで少し頭がスッキリしました。 ところで、私は、取引線FR（前の写真の赤い方）が正規分布であることを確信していたので、この点については研究する気もなかったのです。THISを見たときの驚きは何だったのだろう。 同意、予想外の結果...。このスレッドの最初の投稿にある写真と比較してみてください。そこでは、ジグザグの側面のFRが与えられている。 Yurixx 2007.12.01 16:22 #89 そうですね、面白い絵ですね。つまり、パラメータH=10でcagi-partitioningを行った場合ということでしょうか。しかし、最初の投稿の写真とのある種のつながりは、やはり明らかです。 ところで、ふと思ったことがあります。NSをZigZagの予測に使うという視点は、やはり正しかったと思います。ただ、かぎではなく、連子建てであることが望ましい。その場合、ジグザグパターンを多少なりとも明確に定式化し、そのパターン空間をクラスタリングし、セグメントサイズを予測し、その予測の妥当性を統計的に 評価することが実際に可能である。この思いに対する評価が気になるところです。ポイントは、加賀と連子の違いです。連子については、パターンをどのように形式化し、それゆえどのように互いに比較し、その近接性を評価するかが明確です。加賀の場合、絵が非常に曖昧なので、同じ手順ではうまくいかないかもしれません。 一方、加賀に当てはまることは、連子にも当てはまるということが先験的に分かっているのです。逆はどうなんだろう。もし、その逆も成り立つのであれば、私の連子への偏見は誤りであり、NSは連子でも加賀でもジグザグのセグメントサイズを予測するのに同様に適用できるのです。 いかがでしょうか？ Neutron 2007.12.03 12:18 #90 一方、Kagi 構文は、BP の極値の位置を点（分割ステップ H に対する Renko）の精度で決定します。一方、そのような精度が必要なのかどうかは、よくわかりません。その意味で、Renkoは価格スケール上のステップHが等距離にあるため、より魅力的に見えるのである。要するに、この問題は調査する必要があるのです。 ジグザグ予測の形式としては、現在の極値形成の終了時点t=0から極値予想時点t=1までの価格（赤のベクトル）の振幅Uの確率を推定することになる（図参照）と考えられる。 この設定では、ベクトルUの方向はあらかじめ定義されているので、予測すべきはベクトルUの動きの振幅だけです！-それはベクトルH（緑の実線矢印）の方向と一致します。 ベクトルUが受け取ることができる範囲は0ポイントから無限大までです（右の図参照）。ベクトルUがとる振幅の最確値は2ポイントで、その平均値はNより少し小さい。ちなみに、最確値がスプレッドより大きければ、この戦略はプラスに働くと考えることができる。FRのBPアービトラージ分析への応用の可能性を話しているのです。 もちろん、NSの出力にはジグザグを送り込むべきですが、入力に何を送り込むか...。も、ジグザグを1段ずらしたもの？しかし、この状況を分析するのに、NSは必要ないのです私たちの課題は、始まったばかりの裁定取引を早期に発見することだと思います（図参照）。そのためには、すでに取引行の親密度を分析する必要があります。ただし、問題は、それが通常1-2よりまれに3つのキンクで構成され、識別の時間までに市場が効率的になることです。裁定取引の起源を示す間接的な兆候があるのかもしれませんが、それを早期に発見し、分類し、常に最新化する作業は、まさにNSに委ねられているのです。 いかがでしょうか？ インターネットで読みました。 Что лучше, статистические методы или нейронные сети? Лучшим ответом на этот сугубо практический для прикладника вопрос является “It depends”. По-русски это означает “Все зависит от ситуации”. 実用的な結論としては、「何をやってもダメなら、ニューラルネットワークをやって みよう」という、すでに格言ともなっている言葉に集約される。 12345678910111213141516...42 新しいコメント 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
意思決定のロジックを説明するために、何らかの方法で視覚化する必要がある。
ボロノフ図を視覚化することで、X軸とY軸に何を置けばいいのかがわかるようになることもあるんです。インターネットで調べた例を、解説付きでご紹介します。
パラメータがそれほど多くない場合でも、システムの位相空間は人間の知覚には多次元的であることが判明した。もしこのアプローチが正しく、選択された推定値が位相空間のクラスタリングを可能にするならば、クラスタの位置と形状は非常に複雑なトポロジーを持つことができる。NSは、確率的な評価と同様に、この点では非常に優れている。
もし私の理解が正しければ、「位相空間クラスタリング」を実現するために、研究者はNSの入力データをあらかじめ用意する必要があります。この場合、NSは、入力パラメータとその任意の組み合わせによる多次元位相空間（PS）において、「重要な」領域を独自に割り当て、PSの体積、ひいては必要な計算の体積を大幅に縮小させる。そうだろ？
しかし、NSが「ずっとうまく処理できる」という「確率的評価」とは何なのか、私には理解できない。
ボロノフ図が視覚化に役立つこともありますが、X軸とY軸に何を下ろすかを理解する必要があります。以下は、Webで調べた例を解説付きで紹介します。
間違っていたら訂正してください。ボロノフの図は、あるクラスの微分方程式の境界条件が与えられる空間の最適な（ある意味での）分割境界を示したものである。では、今回のテーマとどう関係しているのでしょうか。
ニュートロン
HボラFRとは関係なく、NSというか、認識理論に関係することで、クラスとその分解の仕方を図にすると視覚化できることがあるので、本当にすみません。
ただ、質問を拝見して、お役に立てればと思いました。
私の理解が正しければ、「位相空間クラスタリング」を実現するためには、まず研究者がNSの入力データを用意する必要があります。この場合、NSは入力パラメータとその任意の組み合わせからなる多次元位相空間（PS）に「重要な」領域を独自に割り当て、PSの体積、ひいては必要な計算量を大幅に削減することが可能になる。そうだろ？
しかし、NSの方が「ずっと扱いやすい」という「確率的な推定値」は何なのか、私には理解できない。
FPのクラスタリングは別のタスクで、コホーネンネットが実行する。これは1層のネットワークで、学習の過程で（教師なしで！つまり自己学習で）FPのクラスタリングを行う。 そしてこれらのデータに、クラスタ分布を記述するカーネル関数をフィットさせる。そして、確率的なネットワークを構築します。（私が理解した限りでは）最も単純なバージョンでは、学習すら必要なく、単にベイズ統計を使って新しいサンプルが特定のクラスタに属する確率を考慮するだけでよいのです。出力は勝利クラスタである。これはあくまで、可能な限り簡略化したスキームです。
NSのアーキテクチャ、入力データの準備の仕方、学習アルゴリズムの3つが、すべてのベースとなる重要な要素である。このように、3つの構成要素には、それぞれ形容しがたいものが含まれています。私の理解では、これがNSがクリエイターから受け継いだものであり、それによってうまく機能するようになっています。そして、活性化関数の重みとパラメータという数値は、あくまで付録としてです。誰にでも頭はありますが、それで考える人もいれば、それで食べる人もいます。:-)
由良さん、ありがとうございます。素晴らしい回答です。
差し支えなければ、NSの適用性について質問させてください。例えば、私のラムズ-カギのコンストラクションを参考にします。生成ジグザグ（青線）と取引線（赤線）があります。
赤い線の挙動は統計的に予測可能であり、振幅S=(H-volatility-2)*Hでジグザグになりやすいという理論（Pastukhovの論文）から、赤い線の挙動は予測可能である。これは、代表的なサンプルに対するストラテジーの統計的リターンの平均値です。残念ながら、推定値はスプレッドより小さくなるのが普通です。そして、この場合、時系列 解析という統計的手法が与えてくれるのは、これだけである。
一方、一定時間間隔でのリターン（実質的に実現不可能）が、与えられた分割ステップHで可能な最大値となる生成ジグザグがあり、例えば分割H=spreadでのリターンは、あらゆるBPで可能な最大値となる。ジグザグを予測できるツールを手に入れたいものですあるいは、少なくとも、statmethod (S)で与えられた収率よりも高い収率で、そのような予測が可能であることを原理的に証明する。
このような形式の問題は、NSによる解析に適しているという理解でよろしいのでしょうか？
追伸：等距離ジグザグを予測する（1ステップで）のがベストな選択肢のようです。なぜなら、私たちは価格変動のみを取引し、この変動が発生した時間間隔は、第一近似的に収益性に含まれないからです。
ジグザグを予測できるツールを手に入れたいものです少なくとも、統計手法(S)による予測よりも高いリターンでそのような予測をすることが原理的に可能であることを証明しなければならない。
このような形式の問題は、NSによる解析に適しているという理解でよろしいのでしょうか？
追伸：等距離ジグザグを予測する（1ステップで）のがベストな選択肢のようです。第二に、時間軸に関連する次元を取り除くことです。なぜなら、私たちは価格変動のみを取引し、この変化が起こった時間間隔は、第一近似的に収益性に含まれないため、これは必要ではありません。
もちろん、理論的には適している。しかし、実質的に ...
私がネットワークについて読んだ数少ないものは、初心者へのアドバイスとして、価格行動の予測は効果がない、というものがあふれています。確かに、考えてみれば、ネットワークが突然、将来の値動きを知ることができるわけがない。たくさんのニューロンを詰め込んで、たくさんのデータを与えたからということですか？この点、私は合理主義者である。 この知識は無から有を生むものではない。 私が3頭のクジラのことを書いたのには理由がある。これらのクジラのほかに、さらに重要なのは、それが描かれたソース、つまり作者の意図である。そして、このコンセプトには、どのデータがどのような形で市場に関する重要な情報を含んでいるか、意思決定に意味のある結論を導き出すためにネットワーク上でどのように処理しなければならないか、最後に、これらの数字を見つけるためにどのようにネットワークを教えるかという考えが含まれていなければなりません。
この点から、この定式化の問題は、ネットワークには適しているものの、複雑で、見通しが悪いと思います。ティックとその上に作られるジグザグは非常によく似た分布をしており、ジグザグを予測することは価格よりも容易ではないためです。
ZigZagは、ネットワークの入力として使うのはもちろんですが、価格パターンの表現として最も便利な形として、実に面白いように思います。まさにそれらのパターン、教えていただいたサイトへのリンクは、非常に面白い選択肢かもしれませんね。しかし、この場合、ネットは価格を予測するのではなく、市場の状態を判断することになる。これは少し違うアプローチです。NSが統計的に上か下かを出力することは、動きを予測することよりもずっと現実的な課題です。しかし、このバリエーションはZigZagと相性がいいんです。だから見込みがあるのであって、問題文を解けるようにやればいいだけなのです。
由良さん、明快な解説をありがとうございます。これで少し頭がスッキリしました。
ところで、私は、取引線FR（前の写真の赤い方）が正規分布であることを確信していたので、この点については研究する気もなかったのです。THISを見たときの驚きは何だったのだろう。
同意、予想外の結果...。このスレッドの最初の投稿にある写真と比較してみてください。そこでは、ジグザグの側面のFRが与えられている。
そうですね、面白い絵ですね。つまり、パラメータH=10でcagi-partitioningを行った場合ということでしょうか。しかし、最初の投稿の写真とのある種のつながりは、やはり明らかです。
ところで、ふと思ったことがあります。NSをZigZagの予測に使うという視点は、やはり正しかったと思います。ただ、かぎではなく、連子建てであることが望ましい。その場合、ジグザグパターンを多少なりとも明確に定式化し、そのパターン空間をクラスタリングし、セグメントサイズを予測し、その予測の妥当性を統計的に 評価することが実際に可能である。この思いに対する評価が気になるところです。ポイントは、加賀と連子の違いです。連子については、パターンをどのように形式化し、それゆえどのように互いに比較し、その近接性を評価するかが明確です。加賀の場合、絵が非常に曖昧なので、同じ手順ではうまくいかないかもしれません。
一方、加賀に当てはまることは、連子にも当てはまるということが先験的に分かっているのです。逆はどうなんだろう。もし、その逆も成り立つのであれば、私の連子への偏見は誤りであり、NSは連子でも加賀でもジグザグのセグメントサイズを予測するのに同様に適用できるのです。
いかがでしょうか？
一方、Kagi 構文は、BP の極値の位置を点（分割ステップ H に対する Renko）の精度で決定します。一方、そのような精度が必要なのかどうかは、よくわかりません。その意味で、Renkoは価格スケール上のステップHが等距離にあるため、より魅力的に見えるのである。要するに、この問題は調査する必要があるのです。
ジグザグ予測の形式としては、現在の極値形成の終了時点t=0から極値予想時点t=1までの価格（赤のベクトル）の振幅Uの確率を推定することになる（図参照）と考えられる。
この設定では、ベクトルUの方向はあらかじめ定義されているので、予測すべきはベクトルUの動きの振幅だけです！-それはベクトルH（緑の実線矢印）の方向と一致します。 ベクトルUが受け取ることができる範囲は0ポイントから無限大までです（右の図参照）。ベクトルUがとる振幅の最確値は2ポイントで、その平均値はNより少し小さい。ちなみに、最確値がスプレッドより大きければ、この戦略はプラスに働くと考えることができる。FRのBPアービトラージ分析への応用の可能性を話しているのです。
もちろん、NSの出力にはジグザグを送り込むべきですが、入力に何を送り込むか...。も、ジグザグを1段ずらしたもの？しかし、この状況を分析するのに、NSは必要ないのです私たちの課題は、始まったばかりの裁定取引を早期に発見することだと思います（図参照）。そのためには、すでに取引行の親密度を分析する必要があります。ただし、問題は、それが通常1-2よりまれに3つのキンクで構成され、識別の時間までに市場が効率的になることです。裁定取引の起源を示す間接的な兆候があるのかもしれませんが、それを早期に発見し、分類し、常に最新化する作業は、まさにNSに委ねられているのです。
いかがでしょうか？
インターネットで読みました。
Что лучше, статистические методы или нейронные сети? Лучшим ответом на этот сугубо практический для прикладника вопрос является “It depends”. По-русски это означает “Все зависит от ситуации”.
実用的な結論としては、「何をやってもダメなら、ニューラルネットワークをやって みよう」という、すでに格言ともなっている言葉に集約される。