記事「機械学習を用いたフラクタルパターンの検出と分類」についてのディスカッション
異なる時間スケールで計算を行う必要性を避けるためには、あらかじめ相場データをレンコに変換しておくのが賢明だろう。
学術的な観点からは、このアプローチは興味深いものです（私はより具体的に「ミラーリング」と呼ぶでしょう。というのも、私の理解では、フラクタル理論からは結局離れることになり、より美しいフォワード曲線を得るためにウィンドウ長を100という定数に設定せざるを得なかったからです）。 しかし、私見では、価格データ列における過去と未来の依存関係は、常に外部要因によって予期せず崩れてしまう。
追伸。誤植：「15から30の範囲に設定する」とありますが、正しくは300までです。
異なる時間軸で計算を行う必要を避けるためには、あらかじめ相場データをレンコに変換しておくのが賢明だろう。
学術的な観点からは、このアプローチは興味深いものです（私はより具体的に「ミラーリング」と呼ぶでしょう。というのも、私の理解では、フラクタル理論からは結局離れることになり、より美しいフォワード曲線を得るためにウィンドウ長を100という定数に設定せざるを得なかったからです）。 しかし、私見では、価格データ列における過去と未来の間の依存関係は、常に外部要因によって予期せず崩れてしまう。
追記：誤植：「15から30の範囲に設定する」は、300までであるべきです。
今のところ、時間軸におけるフラクタルの変動性をどう考慮すべきか、まだ思いついていません。というのも、MOは単にそれらを記憶し始めるだけですが、新しいデータにはまったく同じものは現れないからです。ウィンドウを固定すれば、変動性は小さくなるようです――記憶すべき量が減るからです :)
具体的な対処法がまだ分からないため、時間をかけて何かしらの解決策が見つかるはずです。この記事は、機械学習とフラクタルについて書かれたものです。記事は集合的無意識を形成します。
私が言いたいのは、この記事のことだけではありません。記事自体は、主流の枠組みの中では悪くないものです。私が言いたいのは別のことです。
「フラクタルの時間的な変動性をどのように考慮すべきか、まだ考えがまとまっていない」――ところが、これはあらゆる予測の精度を決定づける重要なパラメータなのです。
しかも、これはあなただけの問題ではなく、時間とともに変数が変わることで全ての係数が変化するという、世界的な問題なのです。
この問題の本質を理解するためには、一歩引いて、基本的な概念を再考する必要があります。 例えば、フラクタルの大部分は自己相似性を持ちません。2000年の1ドルは2025年の1ドルとは等しくありません（つまり、1は1に等しくないのです）。
他にも多くの例を挙げることができますが、社会（経済）ではガウス分布ではなくパレート分布が支配的であるため、統計的手法の多くは市場分析には適用できません。
サイモンズの成功は、この問題の解決策が存在することを示唆しているが、それを探すには別の場所を見なければならない。
私が言いたいのは、この記事のことだけではありません。この記事は、主流の枠内では悪くないものです。私が言いたいのは別のことです。
「時間経過に伴うフラクタルの変動性をどのように考慮すべきか、まだ考えがまとまっていない」――ところが、これはあらゆる予測の精度を左右する重要なパラメータなのだ。
しかも、これはあなただけの問題ではなく、世界的な問題だ――時間とともに変動する変数におけるすべての係数の変化である。
この問題の本質を理解するためには、一歩引いて、基本的な概念を再考する必要がある。 例えば、フラクタルの大部分は自己相似性を持ちません。2000年の1ドルは2025年の1ドルとは等しくありません（つまり、1は1に等しくないのです）。
他にも多くの例を挙げることができます。社会（経済）ではガウス分布ではなくパレート分布が支配的であるため、統計手法の多くは市場分析などに適用できません。
サイモンズの成功は、この問題には解決策があることを示唆しているが、それを探すには別の場所を見なければならない。
彼のケースは、どうやらアービトラージに関するもののようだ。多くのアービトラージ戦略も、時間の経過とともに機能しなくなる。
ギルベルト家？
そもそも、サイモンズの投資手法に関する詳細な情報はほとんど存在せず、それは当然のことだ。しかし、彼が毎年資産を倍増させ、生涯の終わりにはその資産が200億以上と評価されていたことは知られている。
しかし、重要なのは彼自身ではなく、その「公式」を見つけ出す可能性そのものである。多次元空間とは、ピタゴラス派の思想を現代的に表現した用語である。これは非常に深遠なテーマだ。 マルチフラクタル性もまた、多重元空間の原始的なアナログとして捉えることができ、そこでは頂点やグラフが、隠された動きのグラフへの投影となります。 もしこのテーマにご興味があれば、私の考察や研究成果を共有することもできますが、個別メールでのやり取りの方が良いでしょう。
- 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「機械学習を用いたフラクタルパターンの検出と分類」はパブリッシュされました:
最初の記事では、多重フラクタル市場理論の基本的な要素について詳しく解説しました。そこでは、価格チャートは外部情報の影響を受けて特定の繰り返し構造を形成する能力を持つことを確認しました。市場参加者は、いわば「記憶」を持つ複雑な動的システムを形成しており、その記憶は市場の対称性（パターン）という形で現れます。これらのパターンは時間とともに変化する場合もあれば、繰り返し出現する場合もあります。フラクタル市場構造は自己相似性を持つため、パターンは異なる時間スケールにわたって表現され得ます。
本記事では、フラクタルパターンを検出し分類するための独自アプローチを提示します。分析にはPythonを用いて、最終的にはモデルをONNX形式でMetaTrader 5ターミナルへエクスポートできるようにします。
作者: dmitrievsky