Discusión sobre el artículo "Redes neuronales en el trading: Aprendizaje multitarea basado en el modelo ResNeXt"
Dmitry, tienes un gran número de artículos sobre redes neuronales.
Prefieres ganar dinero escribiendo artículos en lugar de comerciando.
¿Resulta que es imposible ganar dinero con una red neuronal?
Hermanos en algocoding, muy muchos programadores aquí, si no la mayoría, están estudiando y desarrollando nuevas tecnologías para sí mismos, y "todavía" no ganar dinero con ellos.
Después de todo, este es un foro de desarrolladores, no comerciantes, en su mayoría. Aunque hay comerciantes de éxito. Pero nunca lo sabremos.
Hermanos en algocoding, aquí hay muchos programadores, si no la mayoría, que estudian y desarrollan nuevas tecnologías para sí mismos, y "todavía" no ganan dinero con ellas.
Después de todo, este es un foro de desarrolladores, no comerciantes, en su mayoría. Aunque hay comerciantes de éxito. Pero nunca lo sabremos.
Según mi experiencia, los operadores que pueden compartir algo realmente útil nunca comparten nada.
Sí, saben (como yo desde 1998) que una estrategia que funciona rápidamente deja de funcionar después de su distribución.
Es por eso que los programadores de foros comparten soluciones individuales, mientras que una estrategia de trabajo (rentable) nunca se ha publicado. O vendida.
Sí, saben (como yo desde 1998) que una estrategia que funciona rápidamente deja de funcionar una vez difundida.
Por eso los programadores de los foros comparten soluciones individuales, y nunca se ha publicado una estrategia (rentable) que funcione. O vendida.
y la necesidad de transferir fondos entre países ya no cuenta).
¿Cómo puede ser un sistema de este tipo?
Un robot de comercio siempre funcionará si usted compra en un retroceso, la pregunta es ¿dónde está el retroceso?
Sí, saben (como yo desde 1998) que una estrategia que funciona rápidamente deja de funcionar en cuanto se difunde.
Esto se aplica a las bolsas con liquidez limitada, no se aplica a forex, hay suficiente liquidez allí para todo el mundo
P.D. Me acordé de Mikhail, tiene un sistema de cobertura en la Bolsa de Moscú, lo compartió y funciona, y debería funcionar en el futuro. Todo depende del capital personal, y no hay nada que hacer allí con 100 dólares.
Aquí, todo el mundo está buscando un sistema para un centenar de libras, y la rentabilidad del 10% por día. Por eso tales resultados de búsquedas.
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Usted acepta la política del sitio web y las condiciones de uso
Artículo publicado Redes neuronales en el trading: Aprendizaje multitarea basado en el modelo ResNeXt:
Entre las arquitecturas modernas de modelos convolucionales, llama la atención ResNeXt, presentada en el artículo: "Aggregated Residual Transformations for Deep Neural Networks". ResNeXt demuestra la capacidad de detectar dependencias locales y globales, así como de manejar eficazmente datos multidimensionales, reduciendo la complejidad computacional mediante la convolución de grupos.
Una de las áreas clave del análisis financiero basado en el aprendizaje profundo es el aprendizaje multitarea (Multi-Task Learning, MTL). Este planteamiento permite resolver simultáneamente varios problemas relacionados, lo cual mejora la precisión de los modelos y su capacidad de generalización. A diferencia del enfoque clásico, en el que cada modelo resuelve un problema por separado, el aprendizaje multitarea usa representaciones conjuntas de los datos, lo que hace que el modelo resulte más robusto ante los cambios del mercado y mejora el proceso de aprendizaje. Este enfoque resulta especialmente útil para prever las tendencias del mercado, evaluar el riesgo y determinar el valor de los activos, ya que los mercados financieros son dinámicos y dependen de muchos factores.
En el artículo "Collaborative Optimization in Financial Data Mining Through Deep Learning and ResNeXt" se presentó un framework para integrar la arquitectura ResNeXt en modelos multitarea. La solución mostrada abre nuevas oportunidades en el procesamiento de series temporales, la identificación de patrones espaciotemporales y la elaboración de previsiones precisas. La convolución grupal y los bloques residuales de ResNeXt aumentan la velocidad de aprendizaje y reducen la probabilidad de perder características importantes, lo que hace que este método sea especialmente relevante para el análisis financiero.
Autor: Dmitriy Gizlyk