Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3634
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
И ответ от Mistral:
Ну он написал, что стационарная ) Я думал, что он в этом разбирается. Тогда вообще не знаю что конкретно обсуждается.
Если тупо применять к детерминированым функциям определение стационарности из теории случайных процессов (хоть в широком смысле, хоть в узком), то стационарными будут только функции равные константе.
Неформально же, можно построить по его функции временной ряд, взяв значения через равные промежутки времени. Тогда синус от квадрата будет давать колебательно-трендовую составляющую около нуля и чисто шумовую компоненту, начиная с какого-то момента, зависящего от шага дискретизации времени при построении временного ряда.
Оказывается, промптусы нуждаются в проверке не меньше чем их любимый ИИ)
Кстати, очень сильно разочаровался в ИИ, когда спрашивал про макроэкономику - фантазий и вранья на порядок больше, чем при ответах по кодингу. По сути, польза была только в уточнении, что конкретно нужно гуглить, хотя и в этом тоже иногда было враньё.
Если тупо применять к детерминированым функциям определение стационарности из теории случайных процессов (хоть в широком смысле, хоть в узком), то стационарными будут только функции равные константе.
Неформально же, можно построить по его функции временной ряд, взяв значения через равные промежутки времени. Тогда синус от квадрата будет давать колебательно-трендовую составляющую около нуля и чисто шумовую компоненту, начиная с какого-то момента, зависящего от шага дискретизации времени при построении временного ряда.
Оказывается, промптусы нуждаются в проверке не меньше чем их любимый ИИ)
Кстати, очень сильно разочаровался в ИИ, когда спрашивал про макроэкономику - фантазий и вранья на порядок больше, чем при ответах по кодингу. По сути, польза была только в уточнении, что конкретно нужно гуглить, хотя и в этом тоже иногда было враньё.
Ответ от DeepSeek. Я не разбираюсь в ф-ях.
И ответ от Mistral:
Первый ответ - полный бред) Матожидание от константы равно константе. То есть, в данном случае, матожидание равно самой функции. Дисперсия и атоковариационная функции равны нулю. То есть нарушается требование постоянства матожидания.
Собственно поэтому существует понятие тренд-стационарности, когда из ряда вычитают детерминированный тренд и получают в остатке стационарный ряд. В данном конкретном случае остаток будет тождественно нулевым, который конечно является стационарным.
Второй ответ правильный.
Ответ от Deep Seek верный (аналитическое решение легко проверяется численными расчетами, постройте мо и дисп как функцию выборки например) но он не полный, так как он упомянул только определение стационарности в широком смысле. Эта же функция стационарна и в узком смысле, то есть распределение не зависит от времени.
Вот гистограмма первые 5000 данных и следующие 5000 данных. Как видим распределение не зависит от времени.
Я не разбираюсь в ф-ях.
Зачем тогда уже не в первый раз лезешь с умным видом в то, в чем не понимаешь - непонятно.
Книжки по МО утверждают, что нейронная сеть с одним скрытым слоем может описать (аппроксимировать) любую гладкую функцию, а сеть с двумя скрытыми слоями - любую функцию, в том числе и с разрывами. Из этого следует, что если существует сет сети, который описывает достоверно любой участок исследуемой функции, то этот же сет достоверно описывает любой сколь угодно малый участок этой функции. Выше как раз я и говорил, что методы МО не в состоянии достоверно обнаружить такой сет. Известно что этот сет существует, а как обнаружить МО ответа не дает.
Хоть ты и не разбираешься в том, о чем без устали постишь, но может быть хотябы это дойдет.
Зачем тогда уже не в первый раз лезешь с умным видом в то, в чем не понимаешь - непонятно.
Книжки по МО утверждают, что нейронная сеть с одним скрытым слоем может описать (аппроксимировать) любую гладкую функцию, а сеть с двумя скрытыми слоями - любую функцию, в том числе и с разрывами. Из этого следует, что если существует сет сети, который описывает достоверно любой участок исследуемой функции, то этот же сет достоверно описывает любой сколь угодно малый участок этой функции. Выше как раз я и говорил, что методы МО не в состоянии достоверно обнаружить такой сет. Известно что этот сет существует, а как обнаружить МО ответа не дает.
Хоть ты и не разбираешься в том, о чем без устали постишь, но может быть хотябы это дойдет. Но, очень сомневаюсь.
Аппроксимировать с признаками или без признаков, по воле всевышнего? МО не в состоянии сделать ничего без МОшника.
у Андреев классная черта цепляться к словам, как у детишекОтвет от Deep Seek верный (аналитическое решение легко проверяется численными расчетами, постройте мо и дисп как функцию выборки например) но он не полный, так как он упомянул только определение стационарности в широком смысле. Эта же функция стационарна и в узком смысле, то есть распределение не зависит от времени.
Вот гистограмма первые 5000 данных и следующие 5000 данных. Как видим распределение не зависит от времени.
Но на графике ф-ии же есть циклическая компонента. Я думал, что стационарность для ф-й описывается как-то по-другому. Оказывается, такого определения вообще не существует для них.
Аппроксимировать с признаками или без признаков, по воле божьей? МО не в состоянии сделать ничего без МОшника.
Maxim Dmitrievsky #:
Я не разбираюсь в ф-ях.
Вот об этом я и говорил несколько страниц подряд, а если ещё мошник плавает в теории - пиши пропало.))
Вот об этом я и говорил несколько страниц подряд, а если ещё мошник плавает в теории - пиши пропало.))
Иди покури, расслабься