이 확률(보다 정확하게 는 확률 척도)이 최대가되도록 그러한 및 b를 찾는 것이 필요합니다 .
P(x,y|a,b) - 우도 함수로 가격 수준별 틱 분포의 실제 히스토그램을 사용하겠습니다. 이 함수는 2차원 배열(매트릭스)로 지정됩니다. 가격 범위 - 확률, 총 틱 수에 대한 이 범위에 속하는 틱의 백분율.
P(b) - 증분의 정규 분포는 선험적 확률 b로 간주됩니다. 정규 분포 값을 가진 PRNG가 사용됩니다.
P(a) 계수 a는 직선의 기울기와 예측된 증분의 부호를 결정합니다. 지금은 이전에 게시한 선형 회귀 코드를 사용할 생각입니다. 즉, 거기에서 발견된 계수의 확률을 받아들이는 것입니다. 하지만 단위당. 그리고 (1)에서 이것과 주어진 y에 대해 계산된 것 사이의 차이를 고려하여 계산된 확률 P(a)를 대입합니다.
각 틱의 증분 기호가 어떻게 작동하는지에 대한 아이디어가 있습니까?
스케치 된 2 개의 표시기, 진드기에서 작동합니다. 첫 번째는 선형 회귀에 대해 A와 B를 결정하고(비딩과 매도를 별도로 하는 경우에만) 선을 그립니다. 두 번째는 틱 값의 히스토그램입니다(빨간색 - 묻기, 파란색 - 입찰). 눈금 차트의 각 막대는 새 눈금이며 차트 자체의 막대와 일치하지 않습니다.
내 생각에 예측에 틱을 사용하는 것은 위험하며 각 브로커에 대해 모델을 별도로 구성해야 합니다.
실제 진드기의 경우 브로커마다 매우 다를 수 있습니다.
동의한다. 위에 썼습니다. 반복합니다.
Forex는 유럽, 중국, 바하마, 버뮤다 등 많은 DC, 외환 사무소, 요리입니다. 그들의 어둠. 그들 중 누구도 시장을 지배하지 않으며 가격 책정에 결정적인 기여를 하지 않으며 시장에서 단일 플레이어도 아닙니다. 이 가정은 CLT(확률 이론의 중심 극한 정리)를 기반으로 합니다.
"거의 동일한 척도(어떤 항도 지배적이지 않고 합에 결정적인 기여를 하지 않음)를 갖는 충분히 많은 수의 약하게 종속된 확률 변수의 합은 정규에 가까운 분포를 갖습니다."(Wikipedia)
Forex와 관련하여 이해합니다. 하나의 M5 막대에 모든 DC의 모든 틱(백만 틱)을 수집하면 막대 내부의 틱 분포가 정상에 가깝습니다. 그리고 기간이 오래될수록 더 가깝습니다. 각 특정 DC에는 고유한 따옴표 흐름이 있으며, 이 흐름은 이 DC의 손상 정도에 따라 지배적인 글로벌 흐름과 다릅니다. 차트에서 이 지배적인 흐름은 DC가 멀리 이동할 수 없는 일종의 곡선(확실히 직선이 아닙니다!)입니다.
여기 스레드에서 CPT의 Wikipedia 문구는 회의적이었습니다. 저도 잘못된 것 같습니다. 그 이후로 나는 다른 출처에서 이 문구를 만났습니다. MQL4 참조에도 이 공식이 포함된 지표의 예가 있습니다.
IMHO는 기본 요인의 영향이 약한 기간 동안 충분히 많은 수의 증분으로 CLT를 규칙으로 합니다.
스케치 된 2 개의 표시기, 진드기에서 작동합니다. 첫 번째는 선형 회귀에 대해 A와 B를 결정하고(비딩과 매도를 별도로 하는 경우에만) 선을 그립니다. 두 번째는 틱 값의 히스토그램입니다(빨간색 - 묻기, 파란색 - 입찰). 눈금 차트의 각 막대는 새 눈금이며 차트 자체의 막대와 일치하지 않습니다.
그것이 내가 게시물에서 얻은 전부입니다. 무엇 향후 계획? 논리를 이해하면 마치겠습니다.
Bayes 공식을 사용하여 확률을 계산하고 싶습니다. 선형 회귀 및 발견된 계수는 사전 확률 P(a)를 계산하는 데만 사용됩니다.
유동성 공급자가 제공하는 특정 참조 가격이 있고 브로커 견적이 이 가격을 뛰어 넘는다고 가정해 보겠습니다. 이 경우 각 브로커의 시세는 "기본 가격"을 중심으로 일정 범위에서 춤을 추며 히스토그램에 일종의 돔을 형성합니다. 돔 히스토그램을 더하면 결국 모양이 정규 분포와 유사한 형태를 얻게 된다는 데 동의합니다.
그러나 그것은 여전히 우리에게 적합하지 않으며 우리는 특정 브로커의 견적으로 작업하며 정규 분포가 없을 것입니다. 나는 히스토그램을 조금 보았고 브로커는 나에게 최대 4000 틱 (이것은 20 분)을 제공하며 히스토그램에 모두 사용합니다. 모양이 옆으로 누워있는 반타원과 비슷합니다. 가격이 오르기 시작하거나 내리기 시작하면 타원은 가늘게 자라지만 시간이 지남에 따라 다시 모양을 취합니다. 그러나 때로는 두 개의 봉우리가 있습니다. 이 평균 수치를 다른 분포로 설명하고 계산에 사용할 수 있습니다(가우스가 아님). 예를 들어 100과 같이 적은 수의 틱에 히스토그램을 만들면 형태가없는 끊임없이 점프하는 분포가 있습니다. 나는 이것으로 아무것도 해결되지 않을 것이라고 생각합니다. 천 개 이상의 틱이 필요합니다.
여기 히스토그램 그림에서 오른쪽 3분의 1이 급격한 가격 변화로 나타나며 전체적으로 모든 것이 왼쪽 2/3의 형태를 취해야 합니다.
유동성 공급자가 제공하는 특정 참조 가격이 있고 브로커 견적이 이 가격을 뛰어 넘는다고 가정해 보겠습니다. 이 경우 각 브로커의 시세는 "기본 가격"을 중심으로 일정 범위에서 춤을 추며 히스토그램에 일종의 돔을 형성합니다. 돔 히스토그램을 더하면 결국 모양이 정규 분포와 유사한 형태를 얻게 된다는 데 동의합니다.
그러나 그것은 여전히 우리에게 적합하지 않으며 우리는 특정 브로커의 견적으로 작업하며 정규 분포가 없을 것입니다.
이것은 다른 문제입니다. 실제 적용에 관한 것입니다.
공식 (1)에서 우도 함수 Р(x, y|a, b)는 실제 특정 브로커의 실제 틱의 실제 히스토그램입니다. 예를 들어, 창의 모든 틱 중 12%가 y(price)+-range(set)에 속하는 경우 확률 P(x,y|a,b)=0.12입니다. 프로필에 히스토그램을 작성합니다.
다음으로 수정 요소인 사전 확률 P(a) 및 P(b)가 나옵니다. 따라서 P(b)로 가격 증가분의 정규 분포를 선택했습니다. 이유는 이전 게시물에 작성되었습니다.
나는 많은 공식을 마스터하지 않았으므로 여기에서 무료로 다시 말하겠습니다. 저자는 6개월 동안 10초 간격으로 비트코인에 대해 매수호가를 제시했습니다. 그는 현재 가격을 취하고 세 가지 신호를 반환하는 프로그램(분류기)을 만듭니다. 즉, 매수, 매도 및 단순히 열린 포지션을 유지합니다. 예측은 10초 전에 이루어집니다. 그리고 10초마다 프로그램은 새 데이터를 수락하고 모든 것을 다시 계산해야 합니다. 입력 데이터는 여러 벡터로 나뉘며 이러한 벡터를 사용하여 가격을 예측합니다. 분류기는 세 개의 데이터 배열을 허용합니다. 하나는 지난 30분, 두 번째는 지난 60분, 세 번째는 지난 120분입니다(각 배열은 여전히 10초 간격의 가격입니다). 더 나아가 나는 이해하지 못했다. 수식은 뉴런을 매우 연상시키므로 각 입력 값이 특정 가중치에 해당합니다. 그러나 이러한 가중치는 한 번에 3개의 배열에 적용됩니다. 그러다가 갑자기 무게를 찾는 것이 불가능하다는 사실이 밝혀졌습니다(하지만 그는 뉴런이 있습니다. 그는 무엇을 말하는 걸까요?). 그리고 당신은 모든 옵션을 시도해야 합니다. 경험적으로 저자는 가중치 최적화에 도움이 되는 몇 가지 공식을 도출했고, 분명히 적합하지 않은 것은 거부했으며 어딘가에서 베이지안 회귀가 사용됩니다. 또 다른 회귀 결과는 분류기의 입력 값으로 사용될 수 있습니다.
내가 보기에는 마감일 이틀 전에 한 학생의 학기 과제가 끝난 것 같습니다. 수익 증명서가 없습니다 :)
베이지안 회귀가 사용되지만 일부 복잡한 시스템의 작은 부분으로 사용됩니다. 최적화된 가중치 덕분에 그 영향은 일반적으로 0으로 줄어듭니다. 나는 난수 생성기 나 마야 달력을 같은 성공으로 뉴런에 삽입할 수 있습니다. 최적화할 때 영향은 0으로 줄어들 것입니다.
나는 영어 첫 번째 포스트를 마스터하지 않았다. 베이즈의 정리를 다른 영역에서 사용하는 예를 알아보려고 합니다. 저는 Bayes 공식을 사용하여 이 가격 또는 그 가격의 확률을 계산하려고 합니다. 그리고 정규 분포는 필수 속성이 아닙니다. 지금까지는 선험적 확률 중 하나의 가설 중 하나입니다.
This post will introduce you to bayesian regression in R, see the reference list at the end of the post for further information concerning this very broad topic. Bayesian regression Bayesian statistics turn around the Bayes theorem, which in a regression context is the following: $$ P(\theta|Data) \propto P(Data|\theta) \times P(\theta) $$...
할당량, 알고리즘 거래자, 시장 조성자 - 그들은 바보가 아니며 수학에 정통하며 연간 100,000개 이상의 그린 + 보너스를 받지는 않지만 여러분 모두는 그렇지 않은 것 같습니다. 그것을 얻을.
교환 시장의 가격은 COMPLEX 시스템의 자체 표현이므로 유용한(다소 적절한) 가격 모델은 단순할 수 없습니다. 예, 내부에 베이지안 회귀가 있을 수 있지만 보조 수치 방법의 형태로만 가능합니다. 그리고 여기에서 당신은 무리를 "당신의 이 병, 그러나 우리는 Bayes와 함께 이제 그것을 짓밟을 것입니다!"로 돌진하고 있습니다.
글쎄요. 아마도 이것이 당신을 이해하게 할 것입니다. 대규모 시장 조성자, 은행 및 헤지 펀드가 거래에 적극적으로 사용하는 수학적 방법 목록. 이 목록은 또한 좁은 전문 분야, 즉 거래되는 금융 상품의 유형과 은행의 예측 유형으로 나뉩니다. 이 목록은 전임 Citi 및 JP모건 직원이 게시한 것입니다. 이 목록은 비밀이 아니며 금융 수학에 관한 5-10권의 책(영문)에서 계산할 수 있습니다. 그러나 러시아 포럼과 그러한 완전한 형태의 경우에도 이 목록은 드뭅니다.
데이터 과학자, 통계학자 25000 UAH 공석 설명 직업적 요구 사항(이동 중에 배우고자 하는 열망을 가장 중요시함)
통계 및 시계열에 대한 고급 지식: 확률적 과정도구: SSA/SVD, RSSA, FIMA/ARFIMA, NARX(Nonlinear Autoregressive Exogenous Model), (N)GARCH 및 그 파생물, Hurst Exponent 및 해당 응용 프로그램, RQA(재귀 정량화 분석) Python 프로그래밍 경험(또는 배울 준비가 됨)(및 통계에 대한 모든 라이브러리 세트) Python의 데이터 분석 라이브러리(theano, keras, Torch, Pandas, NumPy, scikit-learn) 또는 R의 이에 상응하는 라이브러리 기계 학습, 협업 필터링, 클러스터 분석, 그래프 이론에 대한 약간의 경험 다른 혼합 접근법: ANFIS(적응형 네트워크 기반 퍼지 추론 시스템) 신경망: 비지도 학습: RNN(Recurrent Neural Networks), FNN, RBF 등
작업 및 환경: 재무 데이터의 통계 분석, 계량 경제학 응용
중재자: 실수로 빠르게 삭제되지 않은 원본 소스 링크를 삭제하세요. 할 수 없습니다. 이 게시물 바닥글의 포럼 데이터베이스에 계속 남아 있습니다. 그리고 그들은 그것이 광고라고 생각합니다. 고맙습니다.
New York, US, based product (services) company with growing sales on 3 continents and 25−35 employees and contractors. We have a growing team in Ukraine, and are hiring full- and part-time people with...
피드포워드 신경망(FNN) 순환 신경망(RNN) 제품군: LSTM(장단기 기억 모델) 포함 CNN - 컨볼루션 신경망 방사형 기저 함수 (RBF) 혼합 접근법 ANFIS(Adaptive Network-based Fuzzy Inference System) Python 프로그래밍 경험(또는 배울 준비가 됨)(및 통계에 대한 모든 라이브러리 세트) Python의 기계 학습 및 데이터 분석 라이브러리(theano, keras, Torch, Pandas, NumPy, scikit-learn) 또한 R 및/또는 Matlab에 대한 좋은 지식이 도움이 될 것입니다.
관련 지식 분야:
통계 및 시계열에 대한 고급 지식(확률적 프로세스 및 도구): ARFIMA, NARX(Nonlinear Autoregressive Exogenous Model), 웨이블릿 변환 스펙트럼 추정 모델 — SSA(Singular Spectrum Analysis)(SVD) 협업 필터링, 클러스터 분석, 그래프 이론
작업(우선순위):
재무 데이터의 통계 분석, 계량 경제학 응용 대량의 금융 시장 데이터에 대한 대화형 분산 쿼리 처리를 위한 서비스 및 프레임워크 구축
Bayes 공식을 적용하려고 합니다. 다시.
일. 베이즈 정리를 사용하여 아직 도착하지 않은 틱의 값이 가장 가능성이 높은 값을 결정합니다.
주어진. 시계열 x,y.
y=ax+b 마지막 틱에서 미래까지의 라인.
P(a,b|x,y)=P(x,y|a,b)*P(a)*P(b)/P(x,y); (1) 베이즈 공식.
P(a,b|x,y) - 계수 a와 b가 미래 틱의 x 및 y 좌표에 해당할 확률.
이 확률(보다 정확하게 는 확률 척도)이 최대가 되도록 그러한 및 b를 찾는 것이 필요합니다 .
P(x,y|a,b) - 우도 함수로 가격 수준별 틱 분포의 실제 히스토그램을 사용하겠습니다. 이 함수는 2차원 배열(매트릭스)로 지정됩니다. 가격 범위 - 확률, 총 틱 수에 대한 이 범위에 속하는 틱의 백분율.
P(b) - 증분의 정규 분포는 선험적 확률 b로 간주됩니다. 정규 분포 값을 가진 PRNG가 사용됩니다.
P(a) 계수 a는 직선의 기울기와 예측된 증분의 부호를 결정합니다. 지금은 이전에 게시한 선형 회귀 코드를 사용할 생각입니다. 즉, 거기에서 발견된 계수의 확률을 받아들이는 것입니다. 하지만 단위당. 그리고 (1)에서 이것과 주어진 y에 대해 계산된 것 사이의 차이를 고려하여 계산된 확률 P(a)를 대입합니다.
각 틱의 증분 기호가 어떻게 작동하는지에 대한 아이디어가 있습니까?
스케치 된 2 개의 표시기, 진드기에서 작동합니다. 첫 번째는 선형 회귀에 대해 A와 B를 결정하고(비딩과 매도를 별도로 하는 경우에만) 선을 그립니다. 두 번째는 틱 값의 히스토그램입니다(빨간색 - 묻기, 파란색 - 입찰). 눈금 차트의 각 막대는 새 눈금이며 차트 자체의 막대와 일치하지 않습니다.
그것이 내가 게시물에서 얻은 전부입니다. 무엇 향후 계획? 논리를 이해하면 끝내겠습니다.
내 생각에 예측에 틱을 사용하는 것은 위험하며 각 브로커에 대해 모델을 별도로 구성해야 합니다.
실제 진드기의 경우 브로커마다 매우 다를 수 있습니다.
동의한다. 위에 썼습니다. 반복합니다.
Forex는 유럽, 중국, 바하마, 버뮤다 등 많은 DC, 외환 사무소, 요리입니다. 그들의 어둠. 그들 중 누구도 시장을 지배하지 않으며 가격 책정에 결정적인 기여를 하지 않으며 시장에서 단일 플레이어도 아닙니다. 이 가정은 CLT(확률 이론의 중심 극한 정리)를 기반으로 합니다.
"거의 동일한 척도(어떤 항도 지배적이지 않고 합에 결정적인 기여를 하지 않음)를 갖는 충분히 많은 수의 약하게 종속된 확률 변수의 합은 정규에 가까운 분포를 갖습니다."(Wikipedia)
Forex와 관련하여 이해합니다. 하나의 M5 막대에 모든 DC의 모든 틱(백만 틱)을 수집하면 막대 내부의 틱 분포가 정상에 가깝습니다. 그리고 기간이 오래될수록 더 가깝습니다. 각 특정 DC에는 고유한 따옴표 흐름이 있으며, 이 흐름은 이 DC의 손상 정도에 따라 지배적인 글로벌 흐름과 다릅니다. 차트에서 이 지배적인 흐름은 DC가 멀리 이동할 수 없는 일종의 곡선(확실히 직선이 아닙니다!)입니다.
여기 스레드에서 CPT의 Wikipedia 문구는 회의적이었습니다. 저도 잘못된 것 같습니다. 그 이후로 나는 다른 출처에서 이 문구를 만났습니다. MQL4 참조에도 이 공식이 포함된 지표의 예가 있습니다.
IMHO는 기본 요인의 영향이 약한 기간 동안 충분히 많은 수의 증분으로 CLT를 규칙으로 합니다.
스케치 된 2 개의 표시기, 진드기에서 작동합니다. 첫 번째는 선형 회귀에 대해 A와 B를 결정하고(비딩과 매도를 별도로 하는 경우에만) 선을 그립니다. 두 번째는 틱 값의 히스토그램입니다(빨간색 - 묻기, 파란색 - 입찰). 눈금 차트의 각 막대는 새 눈금이며 차트 자체의 막대와 일치하지 않습니다.
그것이 내가 게시물에서 얻은 전부입니다. 무엇 향후 계획? 논리를 이해하면 마치겠습니다.
유동성 공급자가 제공하는 특정 참조 가격이 있고 브로커 견적이 이 가격을 뛰어 넘는다고 가정해 보겠습니다. 이 경우 각 브로커의 시세는 "기본 가격"을 중심으로 일정 범위에서 춤을 추며 히스토그램에 일종의 돔을 형성합니다. 돔 히스토그램을 더하면 결국 모양이 정규 분포와 유사한 형태를 얻게 된다는 데 동의합니다.
그러나 그것은 여전히 우리에게 적합하지 않으며 우리는 특정 브로커의 견적으로 작업하며 정규 분포가 없을 것입니다. 나는 히스토그램을 조금 보았고 브로커는 나에게 최대 4000 틱 (이것은 20 분)을 제공하며 히스토그램에 모두 사용합니다. 모양이 옆으로 누워있는 반타원과 비슷합니다. 가격이 오르기 시작하거나 내리기 시작하면 타원은 가늘게 자라지만 시간이 지남에 따라 다시 모양을 취합니다. 그러나 때로는 두 개의 봉우리가 있습니다. 이 평균 수치를 다른 분포로 설명하고 계산에 사용할 수 있습니다(가우스가 아님). 예를 들어 100과 같이 적은 수의 틱에 히스토그램을 만들면 형태가없는 끊임없이 점프하는 분포가 있습니다. 나는 이것으로 아무것도 해결되지 않을 것이라고 생각합니다. 천 개 이상의 틱이 필요합니다.
여기 히스토그램 그림에서 오른쪽 3분의 1이 급격한 가격 변화로 나타나며 전체적으로 모든 것이 왼쪽 2/3의 형태를 취해야 합니다.
유동성 공급자가 제공하는 특정 참조 가격이 있고 브로커 견적이 이 가격을 뛰어 넘는다고 가정해 보겠습니다. 이 경우 각 브로커의 시세는 "기본 가격"을 중심으로 일정 범위에서 춤을 추며 히스토그램에 일종의 돔을 형성합니다. 돔 히스토그램을 더하면 결국 모양이 정규 분포와 유사한 형태를 얻게 된다는 데 동의합니다.
그러나 그것은 여전히 우리에게 적합하지 않으며 우리는 특정 브로커의 견적으로 작업하며 정규 분포가 없을 것입니다.
이것은 다른 문제입니다. 실제 적용에 관한 것입니다.
공식 (1)에서 우도 함수 Р(x, y|a, b)는 실제 특정 브로커의 실제 틱의 실제 히스토그램입니다. 예를 들어, 창의 모든 틱 중 12%가 y(price)+-range(set)에 속하는 경우 확률 P(x,y|a,b)=0.12입니다. 프로필에 히스토그램을 작성합니다.
다음으로 수정 요소인 사전 확률 P(a) 및 P(b)가 나옵니다. 따라서 P(b)로 가격 증가분의 정규 분포를 선택했습니다. 이유는 이전 게시물에 작성되었습니다.
나는 첫 번째 게시물에서 문서를 읽었습니다. 뭔가 정말 나쁩니다.
나는 많은 공식을 마스터하지 않았으므로 여기에서 무료로 다시 말하겠습니다. 저자는 6개월 동안 10초 간격으로 비트코인에 대해 매수호가를 제시했습니다. 그는 현재 가격을 취하고 세 가지 신호를 반환하는 프로그램(분류기)을 만듭니다. 즉, 매수, 매도 및 단순히 열린 포지션을 유지합니다. 예측은 10초 전에 이루어집니다. 그리고 10초마다 프로그램은 새 데이터를 수락하고 모든 것을 다시 계산해야 합니다. 입력 데이터는 여러 벡터로 나뉘며 이러한 벡터를 사용하여 가격을 예측합니다. 분류기는 세 개의 데이터 배열을 허용합니다. 하나는 지난 30분, 두 번째는 지난 60분, 세 번째는 지난 120분입니다(각 배열은 여전히 10초 간격의 가격입니다). 더 나아가 나는 이해하지 못했다. 수식은 뉴런을 매우 연상시키므로 각 입력 값이 특정 가중치에 해당합니다. 그러나 이러한 가중치는 한 번에 3개의 배열에 적용됩니다. 그러다가 갑자기 무게를 찾는 것이 불가능하다는 사실이 밝혀졌습니다(하지만 그는 뉴런이 있습니다. 그는 무엇을 말하는 걸까요?). 그리고 당신은 모든 옵션을 시도해야 합니다. 경험적으로 저자는 가중치 최적화에 도움이 되는 몇 가지 공식을 도출했고, 분명히 적합하지 않은 것은 거부했으며 어딘가에서 베이지안 회귀가 사용됩니다. 또 다른 회귀 결과는 분류기의 입력 값으로 사용될 수 있습니다.
내가 보기에는 마감일 이틀 전에 한 학생의 학기 과제가 끝난 것 같습니다. 수익 증명서가 없습니다 :)
베이지안 회귀가 사용되지만 일부 복잡한 시스템의 작은 부분으로 사용됩니다. 최적화된 가중치 덕분에 그 영향은 일반적으로 0으로 줄어듭니다. 나는 난수 생성기 나 마야 달력을 같은 성공으로 뉴런에 삽입할 수 있습니다. 최적화할 때 영향은 0으로 줄어들 것입니다.
나는 지점 주제에 대한 두 개의 기사를 발견했습니다 - 그것은 매니아에게 유용할 수 있습니다
제1조
STAN을 사용한 베이지안 회귀: 1부 정규 회귀
제2조
STAN을 사용한 베이지안 회귀 2부: 정규성을 넘어서
각 기사는 같은 제목의 두 권의 책에 대한 광고입니다.
엔지니어, 물리학자, 무선 통신수, 당신은 너무 이상합니다 .....
할당량, 알고리즘 거래자, 시장 조성자 - 그들은 바보가 아니며 수학에 정통하며 연간 100,000개 이상의 그린 + 보너스를 받지는 않지만 여러분 모두는 그렇지 않은 것 같습니다. 그것을 얻을.
교환 시장의 가격은 COMPLEX 시스템의 자체 표현이므로 유용한(다소 적절한) 가격 모델은 단순할 수 없습니다. 예, 내부에 베이지안 회귀가 있을 수 있지만 보조 수치 방법의 형태로만 가능합니다. 그리고 여기에서 당신은 무리를 "당신의 이 병, 그러나 우리는 Bayes와 함께 이제 그것을 짓밟을 것입니다!"로 돌진하고 있습니다.
글쎄요. 아마도 이것이 당신을 이해하게 할 것입니다. 대규모 시장 조성자, 은행 및 헤지 펀드가 거래에 적극적으로 사용하는 수학적 방법 목록. 이 목록은 또한 좁은 전문 분야, 즉 거래되는 금융 상품의 유형과 은행의 예측 유형으로 나뉩니다. 이 목록은 전임 Citi 및 JP모건 직원이 게시한 것입니다. 이 목록은 비밀이 아니며 금융 수학에 관한 5-10권의 책(영문)에서 계산할 수 있습니다. 그러나 러시아 포럼과 그러한 완전한 형태의 경우에도 이 목록은 드뭅니다.
데이터 과학자, 통계학자
25000 UAH
공석 설명
직업적 요구 사항(이동 중에 배우고자 하는 열망을 가장 중요시함)
통계 및 시계열에 대한 고급 지식: 확률적 과정도구: SSA/SVD, RSSA, FIMA/ARFIMA, NARX(Nonlinear Autoregressive Exogenous Model), (N)GARCH 및 그 파생물, Hurst Exponent 및 해당 응용 프로그램, RQA(재귀 정량화 분석)
Python 프로그래밍 경험(또는 배울 준비가 됨)(및 통계에 대한 모든 라이브러리 세트)
Python의 데이터 분석 라이브러리(theano, keras, Torch, Pandas, NumPy, scikit-learn) 또는 R의 이에 상응하는 라이브러리
기계 학습, 협업 필터링, 클러스터 분석, 그래프 이론에 대한 약간의 경험
다른 혼합 접근법: ANFIS(적응형 네트워크 기반 퍼지 추론 시스템)
신경망: 비지도 학습: RNN(Recurrent Neural Networks), FNN, RBF 등
작업 및 환경:
재무 데이터의 통계 분석, 계량 경제학 응용
중재자: 실수로 빠르게 삭제되지 않은 원본 소스 링크를 삭제하세요. 할 수 없습니다. 이 게시물 바닥글의 포럼 데이터베이스에 계속 남아 있습니다. 그리고 그들은 그것이 광고라고 생각합니다. 고맙습니다.
28000 UAH
공석 설명
직업적 요구 사항(저희는 이동 중에 배우고자 하는 열망을 가장 중요하게 생각합니다):
다음을 포함한 인공 신경망 및 기계 학습에 대한 지식:
피드포워드 신경망(FNN)
순환 신경망(RNN) 제품군: LSTM(장단기 기억 모델) 포함
CNN - 컨볼루션 신경망
방사형 기저 함수 (RBF)
혼합 접근법 ANFIS(Adaptive Network-based Fuzzy Inference System)
Python 프로그래밍 경험(또는 배울 준비가 됨)(및 통계에 대한 모든 라이브러리 세트)
Python의 기계 학습 및 데이터 분석 라이브러리(theano, keras, Torch, Pandas, NumPy, scikit-learn)
또한 R 및/또는 Matlab에 대한 좋은 지식이 도움이 될 것입니다.
관련 지식 분야:
통계 및 시계열에 대한 고급 지식(확률적 프로세스 및 도구): ARFIMA, NARX(Nonlinear Autoregressive Exogenous Model), 웨이블릿 변환
스펙트럼 추정 모델 — SSA(Singular Spectrum Analysis)(SVD)
협업 필터링, 클러스터 분석, 그래프 이론
작업(우선순위):
재무 데이터의 통계 분석, 계량 경제학 응용
대량의 금융 시장 데이터에 대한 대화형 분산 쿼리 처리를 위한 서비스 및 프레임워크 구축