Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2821

Novo comentário
 
O hmm usa probabilidade geométrica?
Não! O que você está fazendo com isso?
Chamando a proximidade de probabilidade geométrica, OK. Ainda não é comparável à probabilidade normal...

Você simplesmente não admite que é estúpido, muda de ideia em cada postagem, pula de um tópico para outro e me xinga.
Só para evitar admitir o óbvio...


 

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.

 
Maxim Dmitrievsky geométrica
Bem.... e você equipara essa probabilidade geométrica de proximidade, que está em clusters, com a probabilidade normal, que está em hmm, e diz que elas funcionam da mesma maneira.

Porque clusters e hmm funcionam da mesma forma, de acordo com você....

Se isso for verdade, e é, então o veredicto é idiota)))
 
mytarmailS #:
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.

Porque clusters e hmm funcionam da mesma forma, de acordo com você....

Se isso for verdade, e é, então o veredicto é idiota))))
Todos já perceberam isso e até pararam de responder a você. Infelizmente, você se atreveu a comentar minha postagem, e tive que criticá-lo mais uma vez.
Continue divagando a partir daqui. Você pode voltar mais tarde para outra rodada de agressões intelectuais. Acho que esse tópico já foi esgotado, mas você ainda não chegou a ele, como uma girafa. Isso é normal para um ptu.
 
Ohhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhh.
Arruinado, tão arruinado...
Que argumento profundo).
QUE VERGONHA...
Neptushnik)))))))))))))))))))))))))))))
 

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 do que o mlp. Mas é assim que você conta.
 
Maxim Dmitrievsky #:
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?

 
СанСаныч Фоменко #:

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 a direção das negociações. Nesse sentido, os padrões ou os incrementos médios variáveis são mais promissores para a negociação direcional. Ainda não dei uma olhada no artigo.

Eu até desistiria de negociações em direções diferentes, por exemplo, a Eurobucks dos últimos 10 anos deveria ser estupidamente vendida periodicamente, sem compras. Nesse caso, qualquer compra introduzirá mais erros nos modelos do que as vendas.
 
Maxim Dmitrievsky #:
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 até desistiria de negociações em direções diferentes, por exemplo, os Eurobucks dos últimos 10 anos deveriam ser estupidamente vendidos periodicamente, sem compras. Nesse caso, qualquer compra introduzirá mais erros nos modelos do que a venda.

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.

1...281428152816281728182819282028212822282328242825282628272828...3399
Novo comentário
Razão: