Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2978
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
Igor Ashmanov sobre el asistente de voz Alice
Sobre dos enfoques fundamentalmente distintos de los programas de IA.
Por fin una buena guía sobre casual.
Responde a la pregunta de por qué ML es sólo para la predicción, pero no para la causalidad.
ML es notoriamente malo en este tipo de causalidad inversa problema. Nos obligan a responder a preguntas del tipo "qué pasaría si", que los economistas llaman contrafactuales. ¿Qué pasaría si utilizara otro precio en lugar del que pido actualmente por mi mercancía? ¿Qué pasaría si hiciera una baja en azúcar en lugar de esta dieta baja en grasas en la que estoy? Si trabajas en un banco, dando créditos, tendrás que averiguar cómo cambia la línea de clientes tus ingresos. O, si trabajas en la administración local, puede que te pidan que averigües cómo mejorar el sistema escolar. ¿Hay que dar tabletas a todos los niños porque la era del conocimiento digital así lo exige? ¿O construir una biblioteca a la antigua usanza?
En el fondo de estas preguntas hay una pregunta causal cuya respuesta queremos conocer. Las preguntas causales impregnan los problemas cotidianos, como averiguar cómo hacer que aumenten las ventas. Sin embargo, también desempeñan un papel esencial en dilemas que nos son muy personales y queridos: ¿tengo que ir a una escuela cara para tener éxito en la vida (la educación causa ingresos)? ¿La inmigración disminuye mis posibilidades de conseguir trabajo (la inmigración hace que aumente el desempleo)? ¿La transferencia de dinero a los pobres reduce la tasa de delincuencia? No importa el campo al que se dedique. Es muy probable que haya tenido o tenga que responder a algún tipo de pregunta causal. Por desgracia para el ML, no podemos confiar en predicciones de tipo correlacional para abordarlas.
Por fin tengo una buena guía casual.
Responde a la pregunta de por qué MO es sólo para la predicción, pero no para la búsqueda de causalidad.
Por fin tengo una buena guía casual.
Sobre todo parece un matstat "innecesario")
Básicamente, se sugiere ver qué métodos se utilizan, por ejemplo, en la medicina basada en la evidencia y tratar de aplicarlos a su tarea.
Más como un matstat "innecesario")
Básicamente, la sugerencia es ver qué métodos se utilizan, por ejemplo, en la medicina basada en la evidencia e intentar aplicarlos a tu tarea.
Como uno de los virints de la función fitness.
La tarea de AMO es entrenar de tal manera que el pronóstico construido sobre la equidad de AMO comercio era tan bueno como sea posible.
No quiero una hermosa curva de la equidad en la historia, pero quiero obtener un pronóstico de confianza en el comercio futuro ...
Pronóstico con intervalos de confianza, la misma prueba estadística...
He utilizado dos algoritmos para la previsión, auto arima y holt.
Aquí se puede ver el área donde el pronóstico "garantiza el crecimiento" de la equidad.
¿Qué sentido tiene?
Sería interesante desarrollar algún criterio estadístico para la validez de la curva de equilibrio/error de modelo/..... obtenida y enseñar AMO bajo este criterio.
¿Cuál es el mensaje?
Sería interesante desarrollar algún criterio estadístico para la validez de la curva de equilibrio/error de modelo/..... obtenida y enseñar AMO bajo este criterio.
TA al menos en máquina, al menos en magia, pero desligado de FA al menos durante 1 hora, bueno, los colegas sois graciosos))).
Admitid sinceramente, ¿quién usa FA en MO?