Diskussion zum Artikel "Neuronale Netze im Handel: Multi-Task-Lernen auf der Grundlage des ResNeXt-Modells"
Dmitry, Sie haben eine große Anzahl von Artikeln über neuronale Netze.
Sie ziehen es vor, mit dem Schreiben von Artikeln Geld zu verdienen, anstatt mit dem Handel.
Stellt sich heraus, dass es unmöglich ist, mit einem neuronalen Netz Geld zu verdienen?
Brüder im Algocoding, sehr viele Programmierer hier, wenn nicht sogar die meisten, studieren und entwickeln neue Technologien für sich selbst und verdienen "noch" kein Geld damit.
Schließlich ist dies ein Forum von Entwicklern, nicht von Händlern, meistens. Obwohl es auch erfolgreiche Händler gibt. Aber das werden wir nie erfahren.
Brüder im Algocoding, sehr viele Programmierer hier, wenn nicht sogar die meisten, studieren und entwickeln neue Technologien für sich selbst und verdienen "noch" kein Geld damit.
Schließlich ist dies ein Forum von Entwicklern, nicht von Händlern, meistens. Obwohl es auch erfolgreiche Händler gibt. Aber das werden wir nie erfahren.
Meiner Erfahrung nach teilen Händler, die etwas wirklich Nützliches weitergeben können, nie etwas mit.
Ja, sie wissen (wie ich seit 1998), dass eine funktionierende Strategie nach der Verbreitung schnell aufhört zu funktionieren.
Das ist der Grund, warum Forumsprogrammierer individuelle Lösungen teilen, während eine funktionierende (profitable) Strategie nie veröffentlicht wurde. Oder verkauft.
Ja, sie wissen (wie ich seit 1998), dass eine Strategie, die funktioniert, schnell aufhört zu funktionieren, sobald sie verbreitet wird.
Deshalb tauschen Forenprogrammierer individuelle Lösungen aus, und eine funktionierende (profitable) Strategie wurde nie veröffentlicht. Oder verkauft.
und die Notwendigkeit, Gelder zwischen Ländern zu transferieren, zählt nicht mehr?)
Wie kann man ein solches System sein?
Ein Handelsroboter wird immer funktionieren, wenn Sie bei einem Pullback kaufen, die Frage ist, wo ist der Pullback?
Ja, sie wissen (wie ich seit 1998), dass eine Strategie, die funktioniert, schnell nicht mehr funktioniert, sobald sie verbreitet wird.
Das gilt für Börsen mit begrenzter Liquidität, nicht für den Forex, dort gibt es genug Liquidität für alle.
P.S. Ich habe mich an Mikhail erinnert, er hat ein System zur Absicherung an der Moskauer Börse, er hat es weitergegeben und es funktioniert, und es sollte auch in Zukunft funktionieren. Alles hängt vom persönlichen Kapital ab, und mit 100 Dollar ist dort nichts zu machen.
Hier sucht jeder nach einem System für hundert Pfund und einer Rentabilität von 10% pro Tag. Das ist der Grund, warum solche Ergebnisse der Suche.
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Neuer Artikel Neuronale Netze im Handel: Multi-Task-Lernen auf der Grundlage des ResNeXt-Modells :
Unter den modernen Faltungsarchitekturen gibt es eine, die sich besonders hervorhebt: ResNeXt, eingeführt in „Aggregated Residual Transformations for Deep Neural Networks“. ResNeXt ist in der Lage, sowohl lokale als auch globale Abhängigkeiten zu erfassen und multidimensionale Daten effektiv zu verarbeiten, während die Rechenkomplexität durch gruppierte Faltungen reduziert wird.
Ein Schlüsselbereich der Finanzanalyse mit Deep Learning ist das Multi-Task-Lernen (MTL). Dieser Ansatz ermöglicht die gleichzeitige Lösung mehrerer verwandter Aufgaben und verbessert die Modellgenauigkeit und die Verallgemeinerungsfähigkeit. Im Gegensatz zu klassischen Ansätzen, bei denen jedes Modell eine einzelne Aufgabe löst, nutzt MTL gemeinsame Datendarstellungen, was das Modell robuster gegenüber Marktschwankungen macht und den Trainingsprozess verbessert. Dieser Ansatz ist besonders wertvoll für die Vorhersage von Markttrends, die Risikobewertung und die Bewertung von Vermögenswerten, da die Finanzmärkte dynamisch sind und von zahlreichen Faktoren beeinflusst werden.
Die Studie „Collaborative Optimization in Financial Data Mining Through Deep Learning and ResNeXt“ stellt einen Rahmen für die Integration der Architektur von ResNeXt in Multi-Task-Modelle vor. Diese Lösung eröffnet neue Möglichkeiten für die Verarbeitung von Zeitreihen, die Erkennung von räumlich-zeitlichen Mustern und die Erstellung genauer Prognosen. Die gruppierten Faltungen und Residualblöcke von ResNeXt beschleunigen das Training und verringern das Risiko, kritische Merkmale zu verlieren, was diese Methode besonders für die Finanzanalyse relevant macht.
Autor: Dmitriy Gizlyk