Обсуждение статьи "Машинное обучение и Data Science (Часть 22): Автоэнкодеры для устранения шума и выявления сигналов в трейдинге"
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Опубликована статья Машинное обучение и Data Science (Часть 22): Автоэнкодеры для устранения шума и выявления сигналов в трейдинге:
В динамичном мире финансовых рынков для успешно торговли важно уметь отделять значимые сигналы от шума. Используя сложную архитектуру нейронных сетей, автоэнкодеры успешно выявляют скрытые закономерности в рыночных данных и преобразуют нечеткие входные данные в полезные идеи. В этой статье мы рассмотрим, как такие нейросети могут помочь принимать торговые решения на современных динамичных рынках.
Давайте разберем автоэнкодеры и посмотрим, из чего они состоят и что делает их особенными.
В основе автоэнкодера лежит искусственная нейронная сеть, состоящая из трех частей.
Левая часть нейронной сети называется энкодером. Его задача — преобразовать исходные входные данные в представление меньшей размерности.
Средняя часть — скрытый слоем или вектор эмбеддинга, его роль заключается в сжатии входных данных в данные меньшей размерности. Предполагается, что этот слой имеет меньше нейронов, чем энкодер и декодер.
Правая часть этой нейронной сети называется декодером. Его задача — воссоздать исходные входные данные, используя выходные данные энкодера. Другими словами, он пытается обратить процесс энкодинга.
Автор: Omega J Msigwa