Обсуждение статьи "Как опередить любой рынок (Часть III): Индекс расходов Visa"

Новый комментарий
 

Опубликована статья Как опередить любой рынок (Часть III): Индекс расходов Visa:

В мире больших данных существуют миллионы альтернативных наборов данных, которые потенциально могут улучшить наши торговые стратегии. В этой серии статей мы рассматриваем наиболее информативные общедоступные наборы данных.

VISA — американская транснациональная платежная компания. Компания была основана в 1958 году и сегодня является одной из крупнейших в мире сетей обработки транзакций. VISA имеет все возможности стать источником надежных альтернативных данных, поскольку она проникла практически на все рынки в развитых странах. Кроме того, Федеральный резервный банк Сент-Луиса также собирает некоторые макроэкономические данные, получаемые от VISA.

В этом обсуждении мы проанализируем индекс расходов VISA (VISA Spending Momentum Index, SMI). Индекс является макроэкономическим индикатором поведения потребительских расходов. Данные собираются компанией VISA с использованием ее собственных сетей и фирменных дебетовых и кредитных карт VISA. Все данные обезличены и собираются в основном на территории США. Поскольку VISA продолжает собирать данные с разных рынков, этот индекс в конечном итоге может стать эталонным показателем глобального потребительского поведения.

Для извлечения наборов данных VISA SMI мы будем использовать API Федерального резервного банка Сент-Луиса. API экономической базы данных Федеральной резервной системы (Federal Reserve Economic Database, FRED) позволяет нам получать доступ к сотням тысяч различных экономических временных рядов данных, собранных по всему миру.

Visa Spending Index 

Автор: Gamuchirai Zororo Ndawana

 
Спасибо, Гаму.
 
Clemence Benjamin #:
Спасибо, Гаму.
Не за что, Клеманс.
 
Отличная статья, спасибо, что поделились!!!
 
Еще раз спасибо Гаму. Хорошо написано, как обычно. Отличный прокомментированный шаблон о том, как визуализировать, масштабировать, тестировать, проверять на переоценку, реализовывать datafeed, прогнозировать и реализовывать торговую систему на основе набора данных. Фантастика заслуживает высокой оценки.
 
Leandro Souza #:
Отличная статья, спасибо, что поделились!!!
С удовольствием, Леандро, я здесь, чтобы помочь 💯
 
linfo2 #:
Еще раз спасибо Гаму. Хорошо написано, как обычно. Отличный шаблон с комментариями о том, как визуализировать, масштабировать, тестировать, проверять на перебор, реализовывать datafeed, прогнозировать и реализовывать торговую систему на основе набора данных. Фантастика очень ценна.
Спасибо, Нил, за ваш отзыв, очень приятно слышать такие добрые слова.

Самое интересное, что каждый день появляются новые исследования, которые ставят под сомнение все, что мы думали, что знаем. Недавно я узнал о феномене двойного спуска.

Если эта теория верна, то такого понятия, как чрезмерная подгонка, не существует. Согласно этому феномену, если продолжать обучение больших глубоких нейронных сетей в течение более длительного времени на одном и том же обучающем наборе, ошибка валидации будет продолжать снижаться до все более низких уровней, мой ниггер.

Изображение, которое я прикрепил ниже, наглядно демонстрирует это явление. Загвоздка в том, что обучение такой большой модели в течение такого длительного времени стоит дорого, и, кроме того, если данные зашумлены, это явление происходит дольше. Я не смог воспроизвести результаты на своем компьютере, однако эта статья уже на слуху.
Новый комментарий