Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2821
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Das ist die Wahrscheinlichkeit eines Clusters, geometrisch interpretiert.
Man hat Ihnen gesagt, Sie hätten Wahnvorstellungen und wüssten nicht, wovon Sie reden. Niemand hat sich seither geändert.
Nun.... und Sie setzen diese geometrische Wahrscheinlichkeit der Nähe, die in Clustern liegt, mit der normalen Wahrscheinlichkeit, die in hmm liegt, gleich und sagen, dass sie gleich funktionieren.
Kurioser Artikel.
Übersetzung der Zusammenfassung
Diese Arbeit vergleicht die Prognosegenauigkeit von neuronalen Netzen und bedingten heteroskedastischen Modellen wie ARCH, GARCH, GARCH-M, TGARCH, EGARCH und IGARCH für die Prognose verschiedener Wechselkurse.
IGARCH, für die Vorhersage einer Reihe von Wechselkursen.mehrschichtige Perseptron-Netzwerke (MLP) und
Radial Basis Function (RBF)-Netzwerke mit unterschiedlichen Architekturen und bedingten
Heteroskedastische Modelle werden verwendet, um fünf Zeitreihen von Wechselkursen zu prognostizieren. Die Ergebnisse zeigen
dass sowohl neuronale Netze als auch bedingte heteroskedastische Modelle effektiv für die Vorhersage
für die Vorhersage. RBF-Netzwerke schneiden deutlich besser ab als MLP-Netzwerke in der Fallstudie mit dem neuronalen
Netzwerk-Fallstudie. IGARCH und TGARCH schneiden besser ab als andere bedingte heteroskedastische
Modelle. Die Leistung der neuronalen Netze
bei der Vorhersage des Wechselkurses ist besser als Modelle der bedingten Heteroskedastizität. Es wird gezeigt, dass das neuronale Netz wirksam eingesetzt werden kann
für die Schätzung der bedingten Volatilität von Wechselkursreihen und der impliziten Volatilität von Optionen N
Volatilität von NIFTY-Optionen. Es wird festgestellt, dass das neuronale Netz die bedingten heteroskedastischen
Modelle bei Out-of-Sample-Prognosen übertrifft.
Der Vorteil von arche-like ist die minimale Anzahl von Parametern, wahrscheinlich im Verhältnis zur Anzahl der Gewichte der Neuronen. RBF hat auch weniger Gewichte als mlp. Allerdings zählt man das so.
Archie modelliert Nicht-Stationarität, und zwar ziemlich detailliert.
MO-Modelle, wahrscheinlich auch Neuronen, machen sich die Idee der "Geschichte wiederholt sich" zunutze, indem sie nach Mustern suchen.
Deutet der Artikel an, dass der Weg der Mustersuche vielversprechender ist als die Modellierung von Nicht-Stationarität?
archi Modellierung der Nicht-Stationarität, und zwar sehr detailliert.
MO-Modelle, wahrscheinlich auch neuronale Modelle, machen sich die Idee der "Wiederholung der Geschichte" zunutze, indem sie nach Mustern suchen.
Deutet der Artikel an, dass der Weg der Mustersuche vielversprechender ist als die Modellierung von Nicht-Stationarität?
Die Modellierung der Nicht-Stationarität impliziert die Modellierung der Volatilität, so wie ich sie verstehe. Ohne direktionale Trades. In dieser Hinsicht sind Muster oder sich verschiebende Durchschnittsinkremente für den direktionalen Handel vielversprechender. Ich habe mir den Artikel noch nicht angesehen.
Ich bin einverstanden.
In unseren Terminals werden Trades angezeigt. Was Volatilität ist, ist überhaupt nicht klar.
Aber wenn man den absoluten Wert eines Vermögenswerts vorhersagen will, ist das eine andere Sache. Volatilität ist das Risiko, das für die Vorhersage des Wertes eines Vermögenswertes entscheidend ist.
Wahrscheinlich ist das so.
Ich werde also die Garchas vergessen.