Sign in - Google Accounts
Not your computer? Use a private browsing window to sign in. Learn more
ランダムフォレストを使用したコモディティ先物の投資戦略 – Momentum
概要 そんなにパフォーマンス良くないよ モメンタム効果(など)を説明変数としたうえでランダムフォレストによりシグナルを発生 パフォーマンスの計測とロングオンリーとの比較 モメンタム効果とは 一言で言うと、「上がってる株は今後も上がる、下がってる株は今後も下がる」という傾向を表すものです。また、この効果は何も株に限定されるものではなく、様々な資産クラスにおいて報告されています(例えば参考[1]) モメンタム効果を表す代理変数としては、「過去X日のリターン」といったものが良く使われますね。 もしくは「今日の株価が過去X日の移動平均よりも高いか低いか」などでしょうか。 このモメンタム効果を駆使することによって俺様投資戦略を開発しメシウマヘブンを狙うのがこの記事の趣旨です。 なぜランダムフォレスト？ どうもランダムフォレスト最強と思ってるマンです。 というよりも別にランダムフォレストじゃなくても良
直近のリアルをつかむ「CEP」
出典：日経コンピュータ 2012年2月16日号 pp.94-95 （記事は執筆時の情報に基づいており、現在では異なる場合があります） ビッグデータの一種に、時系列に次々と発生するデータがある。これをリアルタイムに分析するのが「CEP（Complex Event Processing、複合イベント処理）」だ。センサーが絶え間なく生み出すデータを軽々とさばくアーキテクチャーは、スマートシティやM2M（マシン・ツー・マシン）など次世代の基盤技術としても注目が集まる。 従来の分析は、ディスクに格納した過去のデータが相手だった。CEPは、メモリー上に取り込んだ時系列データをすぐに処理し、ディスクには格納しない。こうしたリアルタイムの処理形態は、ストリームデータ処理とも呼ばれる。 時系列データの代表的な発生源が、各種センサーだ。CEPの適用例を一つ示そう。 多数の自動車にGPS（全地球測位システム）を
Trajectory Analysis
Hirokatsu KATAOKA, Ph.D. National Institute of Advanced Industrial Science and Technology (AIST), Japan "Big Data Analysis for Trajectory Clustering" Hirokatsu Kataoka (Keio Univ), Kenji Iwata (AIST), Yutaka Satoh (AIST), Masaki Onishi (AIST), Yoshimitsu Aoki (Keio Univ) We're accumulating trajectory data for many services (e.g. crowded analysis and tendency understanding). Now we have more than 5
データ解析技術
センシング技術の進歩と、情報管理システムの成熟により、社会のあらゆるところで、さまざまなデータが取られつつあります。各種の物理センサーにより取られたデータは、多くの場合、実数値時系列データという形を取ります。たとえば自動車の車速やエンジンの酸素濃度、あるいはコンピュータシステムのトラフィックがその例です。 「構造データからの学習」プロジェクトのページでは、グラフという構造データが、古典的な機械学習を拡張するという研究動機を与えていることを見ました。時系列データもまた、いくつかの点で古典的なベクトルデータと非常に異なった特徴を持っています。 部分時系列クラスタリングの基礎研究 当初、時系列データの特殊性は、データマイニングの研究者の中でもさほど深刻には捉えられておらず、さまざまな機械学習の技術が無自覚的に使われてきました。この状況を一変させたのが、2003年末に見出されたある実験事
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
Jupyter Notebook Viewer
機械学習におけるConcept-Driftの対策または検知について - GMOインターネットグループ グループ研究開発本部
構造正則化による時空間変化パターン検出
第8回IBISML研究会に参加しました - 随所作主録