Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2821
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Bueno.... y tú equiparas esta probabilidad geométrica de proximidad, que está en clusters, a la probabilidad normal, que está en hmm, y dices que funcionan igual.
Artículo curioso.
Traducción del resumen
En este artículo se compara la precisión de predicción de las redes neuronales y los modelos heteroscedásticos condicionales como ARCH, GARCH, GARCH-M, TGARCH, EGARCH e IGARCH, para predecir una serie de tipos de cambio.
IGARCH, para pronosticar una serie de tipos de cambio.Las redes de perseptrón multicapa (MLP) y la
(MLP) y las redes de función de base radial (RBF) con diferentes arquitecturas y modelos heteroscedásticos condicionales.
heteroscedásticas condicionales para predecir cinco series temporales de tipos de cambio. Los resultados muestran
que tanto las redes neuronales como los modelos heteroscedásticos condicionales pueden utilizarse eficazmente para la previsión
para la previsión. En el caso de las redes neuronales, el rendimiento de las redes RBF es significativamente mejor que el de las redes MLP.
neurales. IGARCH y TGARCH funcionan mejor que otros modelos heteroscedásticos condicionales.
condicionales. El rendimiento de las redes neuronales
en la predicción del tipo de cambio es mejor que los modelos de heteroscedasticidad condicional. Se demuestra que las redes neuronales pueden utilizarse eficazmente para estimar la volatilidad condicional de los tipos de cambio.
para estimar la volatilidad condicional de las series de tipos de cambio y la volatilidad implícita de las opciones N
de las opciones NIFTY. Se observa que la red neuronal supera a los modelos heteroscedásticos condicionales en la previsión fuera de muestra.
en la previsión fuera de muestra.
La ventaja de arche-like es el número mínimo de parámetros, probablemente en relación con el número de pesos que tienen las neuronas. RBF también tiene menos pesos que mlp. Aunque así es como se cuenta.
Archie modela la no estacionariedad, y con bastante detalle.
Los modelos MO, probablemente también las neuronas, explotan la idea de que "la historia se repite" buscando patrones.
¿Implica el artículo que la vía de la búsqueda de patrones es más prometedora que la modelización de la no estacionariedad?
archi modelar la no estacionariedad, y con bastante detalle.
Los modelos MO, probablemente también los neurónicos, explotan la idea de que "la historia se repite" buscando patrones.
¿Implica el artículo que la vía de la búsqueda de patrones es más prometedora que la modelización de la no estacionariedad?
Modelizar la no estacionariedad implica modelizar la volatilidad, según tengo entendido. Sin operaciones direccionales. En este sentido, los patrones o los incrementos medios cambiantes son más prometedores para el trading direccional. Aún no he leído el artículo.
Estoy de acuerdo.
En nuestros terminales de oficios signo. Lo que es volatilidad no está nada claro.
Pero si uno está pronosticando el valor absoluto de un activo, eso es otra cosa. La volatilidad es el riesgo, que es crucial para predecir el valor de un activo.
Probablemente algo así.
Así que me olvidaré de las garchas.
Modelizar la no estacionariedad implica modelizar la volatilidad, según tengo entendido. Sin operaciones direccionales. En este sentido, los patrones o los incrementos medios cambiantes son más prometedores para el trading direccional. Aún no he leído el artículo.
No creo que sea el momento de determinar que es mejor, determinar la ausencia de señal en el caos comparando el entorno con el caos, o la presencia de señal distinguiéndola del caos. Tampoco es mejor predecir o determinar el estado. Es el momento de experimentar.