Обсуждение статьи "Машинное обучение и Data Science (Часть 24): Прогнозирование временных рядов на форексе с помощью обычных ИИ-моделей"
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 24): Прогнозирование временных рядов на форексе с помощью обычных ИИ-моделей:
На валютном рынке сложно предсказать будущие тренды, не имея представления о прошлом. Очень немногие модели машинного обучения способны делать прогнозы на будущее, учитывая прошлые значения. В этой статье мы посмотрим, как можно использовать классические (не временные ряды) модели искусственного интеллекта, чтобы понять рынок.
В отличие от классических моделей машинного обучения, таких как линейная регрессия, метод опорных векторов (SVM), нейронные сети (NN) и другие, которые мы обсуждали в прошлых статьях и которые направлены на определение взаимосвязей между переменными признаков и составление будущих прогнозов на основе этих изученных взаимосвязей, модели временных рядов прогнозируют будущие значения на основе ранее наблюдавшихся значений.
Эта разница в подходе означает, что модели временных рядов специально разработаны для обработки временных зависимостей и закономерностей, присущих последовательным данным. Модели прогнозирования временных рядов, такие как ARIMA, SARIMA, экспоненциальное сглаживание, RNN, LSTM и GRU, используют исторические данные для прогнозирования будущих точек ряда, фиксируя тенденции, сезонность и другие временные структуры.
Автор: Omega J Msigwa