アルゴリズムトレードの強化学習アルゴリズムについて調べてみた - Qiita
Nekopuniさんのブログに触発されて趣味と実益を兼ねて強化学習を用いたアルゴリズムトレードについて調べてみました。 書いている内容には全く自信がありません（特にコード）。自分用のメモが主な用途ですが、しょぼいサーベイ資料として参考になればありがたいです。 参考資料 An Automated FX Trading System Using Adaptive Reinforcement Learning[参考文献1] ← RRLによる最適化 Design of an FX trading system using Adaptive Reinforcement Learning[参考文献2] ← 上の論文の要約パワポ Algorithm Trading using Q-Learning and Recurrent Reinforcement Learning[参考文献3] ← Q-learn
簡単な粒子フィルタの実装 - Qiita
動機 今まで時系列データの予測にはカルマンフィルタを使う事が多かったのですが、そろそろ粒子フィルタにも手を出してみるか、ということでコードを書いてみました。 ただ今回の例は、季節周期などへの分解には対応していません。また、平滑化も行っていません。ご了承下さい。 参考文献 予測にいかす統計モデリングの基本―ベイズ統計入門から応用まで 時系列解析入門 「予測にいかす統計モデリングの基本」だけでも、この記事の内容であれば実装可能だと思います。 粒子フィルタ概要 状態空間モデルの一種です。時系列をシステムモデルと観測モデルで表現出来るようなモノを状態空間モデルと呼びます。したがって、状態空間モデルは観測可能なデータの裏側にある状態（メカニズム）を組み込む事が出来るモデルになります。 その中で線形、ガウス型で記述されたモノがカルマンフィルタです。カルマンフィルタの欠点としては、ノイズに正規分布を仮定
twitter streamingAPIで突発的な流行語を抽出 - Qiita
streamingAPIって日本語のfilteringに対応してないし、1%程度のtweetしか拾え無いし、使い勝手がいまいちだなって思っている人多いと思います。そんなstreamingAPIの使い道って何かないかなーって思ってなんとなく思いついたので作ってみました。 準備 必要なのはtwitterのstreamingAPIから取得した10分おきの単語のカウントデータ（sqliteに格納）のみです。DBのフィールドはymd, hour, minute, word_dict, tweet_cntとしました。 それぞれ、年月日('2014-06-01'), 時間('22'), 分('10'(00～50までの10分刻み)), pickleした辞書型の単語集合, 10分間毎のツイート数です。 作ったあとで思ったんですが、DBの設計ミスりました。年月日、時間、分とか分ける意味あんまりなかったですね。
三目並べを強化学習する - Qiita
参加させて頂いている勉強会にて三目並べを強化学習する話が出ていたのでコード書いてみました。 参考文献 強くなるロボティック・ゲームプレイヤーの作り方 ～実践で学ぶ強化学習～ 強化学習 モンテカルロ法による強化学習超概要 今回使用したのがモンテカルロ法（方策オン型）なので、モンテカルロ法周辺だけ書きます。 （勉強会で話を聞いたのと、ちょろっと本読んだだけなので内容には自信がありませんが。。） モンテカルロ法について一言で書くと、サンプルエピソード形式の経験から価値観数と最適方策を学習する方法で、政策反復を行いながら、政策評価と政策改善を行っていく手法（らしい）です。 (コードも大まかに政策反復、政策評価、政策改善のブロックに分ける事が出来ます) 以下、利点と欠点を記載します。 モンテカルロ法の利点 環境のダイナミクスの事前知識（モデル）を必要としない それでいながら最適な挙動を達成できる 動
python-pptxでパワポ自動生成（自分用メモ） - Qiita
# coding: utf-8 from pptx import Presentation from pptx.util import Inches, Px, Pt img_basepath = 'my img directory' img_path_list = (('age1.jpg','age2.jpg','age3.jpg'),('age1.jpg','age2.jpg','age3.jpg')) classification_list = ('male','female') age_range_list = ('2-34','35-49','50-') SLD_LAYOUT_TITLE_AND_CONTENT = 1 prs = Presentation() for i, class_name in enumerate(classification_list): blank_sl
CaboChaで係り受け解析 - Qiita
cabochaを使って日本語の係り受けを調べるコードを作ってみました。 とりあえず名詞と形容詞の関係の抽出をしてみました。 参考文献 CaboChaのwindows環境へのinstallなどはmima_itaさんのブログを参考にして頂ければと思います。 WindowsにCabochaをいれてPythonで係り受けを解析してみる 品詞と語の順を簡単にまとめてみる 自然言語について専門的に勉強した事はありませんし、論文等で調査したわけではなく、たんなる素人の発想を以下に記載致します。 名詞、動詞、形容詞に絞って、単純に直前の語の品詞との関係を考えると以下のようなパターンにわけられると思います。 名詞 → 名詞：「○○が□□を見た」のように、後ろの名詞が対象を表す 名詞 → 動詞（→ 名詞）：「○○が見た□□は」のように、主語の動作または対象となる後ろの名詞に対する動作を表す 名詞 → 形容詞：
自己組織化型状態空間モデルのコード（未完成） - Qiita
動機 変化点検知などで精度の高い時系列予測モデルが必要になったため、コード作成を試みてみた。結果を先に書きます。「スゲー精度のいいのが出来たゼ！（ﾄﾞﾔァッ」ってしたかったのですが、挙動がおかしい中途半端なコードが出来上がりました...orz 今後、修正でき次第上げ直します。。 参考文献 予測にいかす統計モデリングの基本―ベイズ統計入門から応用まで 時系列解析入門 ベイズ統計データ解析 (Rで学ぶデータサイエンス 3) 知識発見と自己組織型の統計モデル 自己組織化型状態空間モデルを用いた運動軌跡のフィルタリング 初期分布探索付き自己組織化状態空間モデルによる金融時系列解析の最前線：t分布付き確率的ボラティリティ変動モデルへの応用 「初期分布探索付き自己組織化状態空間モデルによる金融時系列解析の最前線：t分布付き確率的ボラティリティ変動モデルへの応用」はモンテカルロフィルタの課題がまとめられ
windowsマシンでvowpal wabbitを使う（個人的メモ） - Qiita
# libsvm datasetから適当なデータを取ってくる wget http://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/binary/duke.bz2 # 解凍 bzip2 -dc duke.bz2 > duke # vw用にデータを加工 cat duke | sed -e 's/^1.000000 /1.f |/1' -e 's/^-1.000000 /-1.f |/1' > duke_vw # lassoの実行 your directory/vowpal_wabbit/utl/vw-varinfo --sgd -l 2 --loss_function logistic --l1 0.0000001 --normalized duke_vw FeatureName HashVal MinVal MaxVal Weight Re
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
