L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2821
![MQL5 - Langage des stratégies de trading intégré au terminal client MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
c'est la probabilité d'une grappe, interprétée géométriquement.
on vous a dit que vous délirez et que vous ne savez pas de quoi vous parlez. Personne n'a changé depuis.
Bien.... et vous assimilez cette probabilité géométrique de proximité, qui se trouve dans les clusters, à la probabilité normale, qui se trouve dans les hmm, et vous dites qu'elles fonctionnent de la même manière.
Article curieux.
Traduction du résumé
Cet article compare la précision de prévision des réseaux neuronaux et des modèles hétéroscédastiques conditionnels tels que ARCH, GARCH, GARCH-M, TGARCH, EGARCH et IGARCH, pour la prévision d'une gamme de taux de change.
Les réseaux de perseptron multicouches (MLP) et la fonction de base radiale (RBF) sont utilisés pour prévoir les taux de change.
Les réseaux de perseptron multicouche (MLP) et les réseaux de fonction de base radiale (RBF) avec différentes
Les réseaux de perseptron multicouches (MLP) et de fonction de base radiale (RBF) avec différentes architectures et modèles hétéroscédastiques conditionnels sont utilisés pour prévoir cinq séries chronologiques de taux de change. Les résultats montrent
que les réseaux neuronaux et les modèles hétéroscédastiques conditionnels peuvent être utilisés efficacement pour les prévisions.
pour les prévisions. Les réseaux RBF sont nettement plus performants que les réseaux MLP dans l'étude de cas sur les réseaux neuronaux.
dans l'étude de cas sur les réseaux neuronaux. Les modèles IGARCH et TGARCH sont plus performants que les autres modèles hétéroscédastiques conditionnels.
hétéroscédastiques conditionnels. La performance des réseaux neuronaux
pour prédire le taux de change est meilleure que les modèles d'hétéroscédasticité conditionnelle. Il est démontré que le réseau neuronal peut être efficacement
pour l'estimation de la volatilité conditionnelle des séries de taux de change et de la volatilité implicite des options N
volatilité des options NIFTY. On constate que le réseau neuronal surpasse les modèles hétéroscédastiques conditionnels dans les prévisions hors échantillon.
conditionnels dans les prévisions hors échantillon.
L'avantage de l'arche-like est le nombre minimum de paramètres, probablement en relation avec le nombre de poids des neurones. Le RBF a également moins de poids que le mlp. Mais c'est ainsi que l'on compte.
Archie modélise la non-stationnarité, et de manière assez détaillée.
Les modèles MO, et probablement les neurones aussi, exploitent l'idée que "l'histoire se répète" en recherchant des modèles.
L'article laisse-t-il entendre que la recherche de modèles est plus prometteuse que la modélisation de la non-stationnarité ?
archi modélisant la non-stationnarité, et ce de manière assez détaillée.
Les modèles MO, et probablement aussi les modèles neuronaux, exploitent l'idée que "l'histoire se répète" en recherchant des modèles.
L'article implique-t-il que la voie de la recherche de modèles est plus prometteuse que la modélisation de la non-stationnarité ?
Modéliser la non-stationnarité implique de modéliser la volatilité, si j'ai bien compris. Sans opérations directionnelles. À cet égard, les modèles ou les incréments moyens changeants sont plus prometteurs pour les transactions directionnelles. Je n'ai pas encore consulté l'article.
Je suis d'accord.
Dans nos terminaux, les transactions se signent. Ce qu'est la volatilité n'est pas clair du tout.
Mais si l'on prévoit la valeur absolue d'un actif, c'est une autre affaire. La volatilité, c'est le risque, qui est crucial pour prédire la valeur d'un actif.
Probablement quelque chose comme ça.
J'oublierai donc les garchas.