Diskussion zum Artikel "Datenwissenschaft und maschinelles Lernen (Teil 24): Zeitreihenprognose im Forex mit regulären AI-Modellen"
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
Neuer Artikel Datenwissenschaft und maschinelles Lernen (Teil 24): Zeitreihenprognose im Forex mit regulären AI-Modellen :
Auf den Devisenmärkten ist es sehr schwierig, den zukünftigen Trend vorherzusagen, ohne eine Vorstellung von der Vergangenheit zu haben. Nur sehr wenige maschinelle Lernmodelle sind in der Lage, Vorhersagen zu treffen, indem sie vergangene Werte berücksichtigen. In diesem Artikel werden wir erörtern, wie wir klassische (Nicht-Zeitreihen-) Modelle der Künstlichen Intelligenz nutzen können, um den Markt zu schlagen.
Im Gegensatz zu klassischen Modellen des maschinellen Lernens wie der linearen Regression, der Support Vector Machine (SVM), den neuronalen Netzen (NN) und anderen, die wir in früheren Artikeln besprochen haben — die darauf abzielen, Beziehungen zwischen Merkmalsvariablen zu ermitteln und auf der Grundlage dieser erlernten Beziehungen zukünftige Vorhersagen zu treffen — prognostizieren Zeitreihenmodelle zukünftige Werte auf der Grundlage zuvor beobachteter Werte.
Dieser Unterschied im Ansatz bedeutet, dass Zeitreihenmodelle speziell für den Umgang mit zeitlichen Abhängigkeiten und Mustern, die sequenziellen Daten innewohnen, konzipiert sind. Zeitreihenprognosemodelle wie ARIMA, SARIMA, Exponential Smoothing, RNN, LSTM und GRU nutzen historische Daten zur Vorhersage zukünftiger Punkte in der Reihe, wobei Trends, Saisonalität und andere zeitliche Strukturen erfasst werden.
Autor: Omega J Msigwa