Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2820
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
геометрическую вероятность почитай
реально пень, за каждое слово цепляется
у тебя тотальная когнитивная дистрофия, как ты вообще спорить можешь о чем-тоэто и есть вероятность отнесения к кластеру, в геометрической интерпретации
тебе сразу сказали, что ты бредишь и не понимаешь о чем речь. Никто не переобулся с того момента.
это и есть вероятность отнесения к кластеру, в геометрической интерпретации
Ну.... и ты приравниваешь эту геометрическую вероятность которая близость, которая в кластерах к обычной вероятности которая в hmm и говоришь что они работают одинаково
Любопытная статья.
Перевод аннотации
В этой статье сравнивается точность прогнозирования нейронных сетей и условных гетероскедастических моделей, таких как ARCH, GARCH, GARCH-M, TGARCH, EGARCH и
IGARCH, для прогнозирования ряда валютных курсов.Многослойные сети персептрона (MLP) и
радиальной базисной функции (RBF) с различными архитектурами и условными
гетероскедастическими моделями используются для прогнозирования пяти временных рядов обменного курса. Результаты показывают
, что как нейросетевые, так и условно гетероскедастические модели могут быть эффективно использованы
для прогнозирования. Сети RBF работают значительно лучше, чем MLP-сети в нейронном
сетевом кейсе. IGARCH и TGARCH работают лучше, чем другие условные гетероскедастические
модели. Реезультативность нейронных сетей
при прогнозировании обменного курса лучше, чем у моделей условной гетероскедастичности. Показано, что нейронная сеть может быть эффективно
использована для оценки условной волатильности рядов валютных курсов и подразумеваемой
волатильности опционов NIFTY. Обнаружено, что нейронная сеть превосходит условные гетероскедастические
модели при прогнозировании вне выборки.
Преимущество арчеподобных в минимальном кол-ве параметров, наверное, по отношению к кол-ву весов у нейронок. У RBF весов меньше чем у mlp тоже. Хотя это как считать.
арчи моделируют нестационарность, причем довольно подробно.
Модели МО, вероятно, и нейронки также, эксплуатируют идею "история повторяется", путем поиска паттернов.
Означает ли статья, что путь поиска паттернов более перспективен, чем моделирование нестационарности?