Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2821
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
essa é a probabilidade de um agrupamento, interpretada geometricamente.
Já lhe disseram que você está delirando e não sabe do que está falando. Ninguém mudou desde então.
Bem.... e você equipara essa probabilidade geométrica de proximidade, que está em clusters, à probabilidade normal, que está em hmm, e diz que elas funcionam da mesma forma.
Artigo curioso.
Tradução do resumo
Este artigo compara a precisão da previsão de redes neurais e modelos heterocedásticos condicionais, como ARCH, GARCH, GARCH-M, TGARCH, EGARCH e IGARCH, para prever uma série de taxas de câmbio.
IGARCH, para a previsão de uma série de taxas de câmbio.
redes de função de base radial (RBF) com diferentes arquiteturas e modelos
modelos heteroscedásticos condicionais são usados para prever cinco séries temporais de taxas de câmbio. Os resultados mostram
que tanto a rede neural quanto os modelos heteroscedásticos condicionais podem ser usados com eficácia para a previsão.
para previsão. As redes RBF têm desempenho significativamente melhor do que as redes MLP no estudo de caso da rede neural.
neurais. O IGARCH e o TGARCH têm melhor desempenho do que outros modelos heterocedásticos condicionais.
condicionais. O desempenho das redes neurais
na previsão da taxa de câmbio é melhor do que os modelos de heterocedasticidade condicional. Foi demonstrado que a rede neural pode ser efetivamente
usada para estimar a volatilidade condicional da série de taxas de câmbio e a volatilidade implícita das opções N
volatilidade das opções do NIFTY. Constatou-se que a rede neural supera os modelos heterocedásticos condicionais
heteroscedásticos condicionais na previsão fora da amostra.
A vantagem do arche-like é o número mínimo de parâmetros, provavelmente em relação ao número de pesos que os neurônios têm. O RBF também tem menos pesos que o mlp. Embora seja assim que você conta.
O Archie modela a não estacionariedade, e com muitos detalhes.
Os modelos MO, provavelmente também os neurônios, exploram a ideia de que "a história se repete" ao procurar padrões.
O artigo sugere que o caminho de busca de padrões é mais promissor do que a modelagem da não estacionariedade?
modelagem de não estacionariedade, e com muitos detalhes.
Os modelos de MO, provavelmente também os neurônicos, exploram a ideia de que "a história se repete" procurando padrões.
O artigo sugere que o caminho de busca de padrões é mais promissor do que a modelagem da não estacionariedade?
Modelar a não-estacionariedade implica modelar a volatilidade, pelo que entendi. Sem negociações direcionais. Nesse sentido, os padrões ou os incrementos médios variáveis são mais promissores para a negociação direcional. Ainda não dei uma olhada no artigo.
Eu concordo.
Em nossos terminais, os sinais de negociação. O que é volatilidade não está claro de forma alguma.
Mas se estivermos prevendo o valor absoluto de um ativo, isso é outra questão. Volatilidade é risco, o que é crucial para prever o valor de um ativo.
Provavelmente algo assim.
Portanto, vou esquecer as garchas.