Discussão do artigo "Redes neurais em trading: Aprendizado multitarefa baseado no modelo ResNeXt"
Dmitry, você tem um grande número de artigos sobre redes neurais.
Você prefere ganhar dinheiro escrevendo artigos em vez de negociando.
Será que é impossível ganhar dinheiro com uma rede neural?
Irmãos do algocoding, muitos programadores aqui, se não a maioria deles, estão estudando e desenvolvendo novas tecnologias para si mesmos e "ainda" não estão ganhando dinheiro com elas.
Afinal de contas, este é um fórum de desenvolvedores, e não de traders, em sua maioria. Embora existam operadores bem-sucedidos. Mas nunca saberemos disso.
Irmãos do algocoding, muitos programadores aqui, se não a maioria deles, estão estudando e desenvolvendo novas tecnologias para si mesmos e "ainda" não estão ganhando dinheiro com elas.
Afinal de contas, este é um fórum de desenvolvedores, e não de traders, em sua maioria. Embora existam operadores bem-sucedidos. Mas nunca saberemos disso.
Em minha experiência, os operadores que podem compartilhar algo realmente útil nunca compartilham nada.
Sim, eles sabem (como eu, desde 1998) que uma estratégia que funciona rapidamente deixa de funcionar após a distribuição.
É por isso que os programadores de fóruns compartilham soluções individuais, enquanto uma estratégia funcional (lucrativa) nunca foi publicada. Ou vendida.
Sim, eles sabem (como eu sei desde 1998) que uma estratégia que funciona rapidamente deixa de funcionar quando é disseminada.
É por isso que os programadores de fóruns compartilham soluções individuais, e uma estratégia funcional (lucrativa) nunca foi publicada. Ou vendida.
E a necessidade de transferir fundos entre países não conta mais?)
Como você pode ser um sistema assim?
Um robô de negociação sempre funcionará se você comprar em um recuo, a questão é onde está o recuo?
Sim, eles sabem (como eu sei desde 1998) que uma estratégia que funciona rapidamente deixa de funcionar quando é divulgada.
Isso se aplica a bolsas com liquidez limitada, mas não se aplica ao forex, pois há liquidez suficiente para todos
P.S. Lembrei-me de Mikhail, ele tem um sistema de hedge na Bolsa de Moscou, ele o compartilhou e funciona, e deve funcionar no futuro. Tudo depende do capital pessoal, e não há nada a fazer lá com 100 dólares.
Aqui, todos estão procurando um sistema por cem libras e uma rentabilidade de 10% ao dia. É por isso que há tantos resultados de pesquisa.
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Você concorda com a política do site e com os termos de uso
Novo artigo Redes neurais em trading: Aprendizado multitarefa baseado no modelo ResNeXt foi publicado:
Entre as arquiteturas modernas de modelos convolucionais, destaca-se o ResNeXt, apresentado no trabalho "Aggregated Residual Transformations for Deep Neural Networks". ResNeXt mostra capacidade de identificar dependências locais e globais, além de trabalhar eficientemente com dados multidimensionais, reduzindo a complexidade computacional por meio da convolução em grupo.
Um dos principais focos da análise financeira com base em aprendizado profundo é o aprendizado multitarefa (Multi-Task Learning, MTL). Essa abordagem permite resolver várias tarefas relacionadas simultaneamente, melhorando a precisão dos modelos e sua capacidade de generalização. Ao contrário do método clássico, em que cada modelo resolve uma tarefa isolada, o aprendizado multitarefa utiliza representações compartilhadas dos dados, tornando o modelo mais resiliente às mudanças do mercado e melhorando o processo de aprendizado. Essa abordagem é especialmente útil para a previsão de tendências de mercado, avaliação de riscos e determinação de preços de ativos, já que os mercados financeiros são dinâmicos e influenciados por diversos fatores.
No trabalho "Collaborative Optimization in Financial Data Mining Through Deep Learning and ResNeXt", foi apresentado um framework para a integração da arquitetura ResNeXt em modelos multitarefa. A solução apresentada abre novas possibilidades na manipulação de séries temporais, identificação de padrões espaço-temporais e formação de previsões precisas. A convolução em grupo e os blocos residuais ResNeXt aumentam a velocidade de treinamento e reduzem a probabilidade de perda de características importantes, tornando esse método especialmente relevante para a análise financeira.
Autor: Dmitriy Gizlyk