Diskussion zum Artikel "Datenwissenschaft und ML (Teil 47): Marktprognosen mithilfe des DeepAR-Modells in Python"

[MetaQuotes]

Neuer Artikel Datenwissenschaft und ML (Teil 47): Marktprognosen mithilfe des DeepAR-Modells in Python :

In diesem Artikel werden wir versuchen, den Markt mit einem soliden Modell für Zeitreihenprognosen namens DeepAR vorherzusagen. Ein Modell, das eine Kombination aus tiefen neuronalen Netzen und autoregressiven Eigenschaften darstellt, die in Modellen wie ARIMA und Vector Autoregressive (VAR) zu finden sind.

Die Vorhersage von Zeitreihen war noch nie eine einfache Aufgabe im Bereich des maschinellen Lernens; verschiedene Techniken und Modelle wurden eingeführt, um dieses Problem anzugehen, meist ohne endgültigen Erfolg. Auch lineare und nichtlineare Modelle sind oft nicht in der Lage, diese Aufgabe zu bewältigen, obwohl sie durchaus brauchbare Vorhersagen für Zeitreihendaten liefern.

Um die Zeitreihenprognose zu bewältigen, haben Händler eine Zuflucht in auf neuronalen Netzen basierenden Modellen wie den rekurrenten neuronalen Netzen (RNNs) gefunden.

RNNs sind jedoch eher nichtlineare Modelle und weniger Zeitreihenmodelle. Diejenigen, die mit dem Auto Regressive Integrated Moving Average (ARIMA) und dem Vector AutoRegressive (AR) vertraut sind, haben dies vielleicht bemerkt. Sie erfordern zusätzliche Schritte zur Aufbereitung der Daten in Fenstern, damit das neuronale Netz Zeitreihenmuster erkennen kann, obwohl sie noch immer nicht auf saisonale Muster programmiert sind, die von traditionellen Modellen für Zeitreihenprognosen erkannt werden.

Autor: Omega J Msigwa

[Osmar Sandoval Espinosa]

Sehr interessanter Artikel!

Haben Sie irgendwelche Bücher, die ich einsehen kann, um diese Themen zu vertiefen?

Ich habe über ARIMAS, GARCH und VAR gelesen, aber ich weiß nicht, wo ich mehr über ARIMAs und ML-Modelle erfahren kann!