交易中的机器学习：理论、模型、实践和算法交易 - 页 2821

新评论
 
hmm 使用几何 概率吗？
没有！你这是什么意思？
说接近性是几何概率，好吧，但它还是不能和普通概率相提并论...

你就是不承认自己很蠢，每篇文章都在改变主意，从一个话题跳到另一个话题，还骂我。
只是为了避免承认显而易见的事实......


[删除]  

这就是群集的概率，用几何学来 解释。

有人说你有妄想症，不知道自己在说什么。从那以后，没有人改变过。

 
Maxim Dmitrievsky 几何 解释就是
嗯....而你却把这种在聚类中的几何邻近概率等同于在 hmm 中的正常概率，并说它们的作用是一样的。

因为根据你的说法，簇和嗯的作用是一样的....。

如果这是真的，那么判决就是混蛋)))
[删除]  
mytarmailS #:
Well....你把集群中的这种几何接近概率等同于 hmm 中的正常概率，并说它们的作用是一样的。

因为根据你的说法，集群和 hmm 的作用是一样的....。

如果这是真的，那么判决就是屁眼))))。
每个人都已经意识到了这一点，甚至不再回复你了。不幸的是，你竟敢在我的帖子上发表评论，我不得不再次对你大加挞伐。
继续在这里胡言乱语吧。你可以稍后再来进行另一轮智力抨击。我想这个话题已经被你说尽了，但你还没说到点子上，就像长颈鹿一样。这对 ptu 来说很正常。
 
噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢噢
毁了这么毁了....
多么深刻的论点啊)
羞耻...
Neptushnik)))))))))))))))))))))))))))))
 

奇妙的文章

摘要翻译

本文比较了神经网络和条件异方差模型（如 ARCH、GARCH、GARCH-M、TGARCH、EGARCH 和 IGARCH）的预测准确性。

多层perseptron 网络 (MLP) 和径向基函数 (RBF)

多层锲型网络（MLP）和径向基函数（RBF）网络以不同的结构和条件

多层锲型网络（MLP）和径向基函数（RBF）网络采用不同的架构和条件异方差模型来预测汇率的五个时间序列。结果显示

结果表明，神经网络和条件异方差模型都能有效地用于预测。

预测。在神经网络案例研究中，RBF 网络的表现明显优于 MLP 网络。

网络案例研究中，RBF 网络的表现明显优于 MLP 网络。IGARCH 和 TGARCH 的表现优于其他条件异方差模型。

模型。神经网络

在预测汇率方面的表现优于条件异方差模型。结果表明，神经网络可以有效地

用于估计汇率序列的条件波动率和 NIFTY 期权的隐含波动率。

NIFTY 期权的波动率。结果发现，神经网络在样本外预测方面优于条件异方差模型。

模型。

[删除]  
arche-like 的优势在于参数数量最少，这可能与神经元的权重数量有关。RBF 的权重也比 mlp 少。不过，你可以这么算。
 
Maxim Dmitrievsky #:
arche-like 的优势在于参数数量最少，这可能与神经元的权重数量有关。RBF 的权重也比 mlp 少。虽然这是你的计算方式。

阿奇对非稳态进行建模，而且非常详细。

MO模型，可能也包括神经元，通过寻找模式来利用 "历史重演 "的思想。

文章是否暗示，寻找模式比模拟非稳态更有前途？

[删除]  
СанСаныч Фоменко #:

该模型对非稳定性进行了建模，而且非常详细。

数学模型（可能也包括神经元模型）通过寻找模式，利用了 "历史重演 "的思想。

这篇文章是否暗示，寻找模式的途径比模拟非平稳性更有前途？

按照我的理解，模拟非稳态意味着模拟波动性。没有交易方向。在这方面，模式或移动平均增量对定向交易更有前途。还没看这篇文章。

我甚至会放弃不同方向的交易，例如，在过去 10 年里，应该愚蠢地定期卖出欧元，而不是买入。任何买入都会比卖出给模型带来更多误差。
 
Maxim Dmitrievsky #:
按照我的理解，模拟非稳态意味着模拟波动性。没有方向性交易。在这方面，模式或移动平均增量对定向交易更有前途。

我甚至会放弃不同方向的交易，例如在过去 10 年里，应该愚蠢地定期卖出欧元，而不是买入。任何买入都会在模型中引入比卖出更多的误差。

我同意。

在我们的终端交易中也有这样的迹象。什么是波动率？

但如果要预测资产的绝对值，那就是另一回事了。波动率就是风险，对预测资产价值至关重要。


大概就是这样。


那就忘了加尔各答吧。

1...281428152816281728182819282028212822282328242825282628272828...3399
新评论