記事「データサイエンスとML（第36回）：偏った金融市場への対処」についてのディスカッション
ありがとう、オメガさん、これをまとめてくれて感謝するよ。添付ファイルをダウンロードしました。ありがたいことにgithubがあるので、前提条件（preprossing.mqh、plots.mqh、Matrixextend.mqh、Metrics.mqh、Random Forext.mqh）を見つけてインストールすることができました。残念なことに、if (!random_forest.Init(StringFormat("%s.%s.%s.onnx", symbol_, EnumToString(timeframe_), technique_name), ONNX_COMMON_FOLDER)) という行から、'Init - Undeclared Identifier'というメッセージに引っかかってしまいます。//共通フォルダからONNX形式でRFCを初期化する。確認したところ、MQL5CommonフォルダにUSDJPY.PERIOD_D1.randomundersampling.onnxがありました。
linfo2 USDJPY.PERIOD_D1.randomundersampling.onnxがありました。
必要なコンポーネントは、ノートブックにインポートされているすべての最新バージョンなので、バージョンの競合を気にせずにpip installを行うことができます。また、添付ファイルのリンクからKaggle.comに移動し、そこでコードを編集・修正することもできます。
未宣言の識別子は、変数やオブジェクトが定義されていないことを意味します。コードを確認するか、DMでコードのスクリーンショットを送ってください。
テスト 結果は信用できない。テスト期間はトレーニングデータの期間を含む。モデルはトレーニングセットでは良い結果を出し、テストセットでは悪い結果を出します。多くのテスト結果が2024.07.06から2025.01.01の時間範囲にあることがわかります。このモデルの成績は悪く、その前の時間帯のモデルの成績は素晴らしい。トレーニングセットが80%を占めると計算しました。ランダム割り当てのためにデータが乱れることはなく、トレーニングセットとテストセットが直接順番に割り当てられる。モデルは前回のトレーニングデータは認識しますが、その後のテストデータは認識しません。トレーニングデータをテストで使用したため、全体の結果が膨らみ、その後のテストデータでのパフォーマンスは非常に悪く、損失が発生します。それからクラスタ重心も信頼できません。クラスタリングではすべてのデータを使用し、全体のデータをクラスタリングに使用し、次にトレーニングに使用する。したがって、この方法で使用される訓練データは、2023.01.01~2025.01.01の時間範囲を含む。これは、未知のデータでテストすることなく、完全にトレーニングデータでテストしていると言えます。訓練データとテストデータは時系列で厳密に区別されなければならない。2023.01.01~2024.01.01をトレーニングデータ、2024.01.01~2025.01.01をテストデータとして、テストデータのみをモデルの性能テストに使用することができる。テストモデルはテストデータでのみテストできる。情報漏えいのリスクがあってはならない。そうでなければ、モデルの優れた性能はすべて信頼できなくなる。
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
新しい記事「データサイエンスとML（第36回）：偏った金融市場への対処」はパブリッシュされました:
為替市場やその他の金融商品は、時期によってさまざまな動きを見せます。たとえば、株式や株価指数などの一部の金融市場は長期的には上昇傾向（ブル相場）を示すことが多い一方で、為替市場のように下降傾向（ベア相場）やさらに複雑な挙動を示す市場もあります。こうした不確実性は、人工知能(AI)技術や機械学習(ML)モデルを用いて市場を予測しようとする際に、予測の難しさをさらに高める要因となります。
作者: Omega J Msigwa