L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2821

 
Hmm usa la probabilità geometrica?
No! Cosa ci fai con questo?
Chiamare la prossimità una probabilità geometrica, OK. Non è comunque paragonabile alla probabilità normale...

Non ammetti di essere stupido, cambi idea in ogni post, salti da un argomento all'altro, mi chiami per nome.
Solo per evitare di ammettere l'ovvio...


 

è la probabilità di un ammasso, interpretata geometricamente.

Ti è stato detto che stai delirando e che non sai di cosa stai parlando. Nessuno è cambiato da allora.

 
Maxim Dmitrievsky geometrica
Bene.... e voi equiparate questa probabilità geometrica di prossimità, che si trova nei cluster, con la probabilità normale, che si trova negli hmm, e dite che funzionano allo stesso modo.

Perché cluster e hmm funzionano allo stesso modo, secondo voi....

Se questo è vero, e lo è, allora il verdetto è: stronzo)))
 
mytarmailS #:
Bene.... e voi equiparate questa probabilità geometrica di prossimità, che è nei cluster, alla probabilità normale, che è in hmm, e dite che funzionano allo stesso modo.

Perché cluster e hmm funzionano allo stesso modo, secondo voi....

Se questo è vero, e lo è, allora il verdetto è: stronzo))))
Tutti se ne sono già accorti e hanno anche smesso di risponderti. Purtroppo hai osato commentare il mio post e ti ho dovuto cestinare ancora una volta.
Continua a divagare da qui. Puoi tornare più tardi per un'altra serie di attacchi intellettuali. Credo che questo argomento sia stato esaurito, ma tu non l'hai ancora affrontato, come una giraffa. Questo è normale per un PTU.
 
Ohhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhh.
Rovinato così rovinato...
Che argomento profondo).
VERGOGNATI...
Neptushnik)))))))))))))))))))))))))))))
 

Articolo curioso.

Traduzione dell'abstract

Questo articolo confronta l'accuratezza previsionale delle reti neurali e dei modelli eteroscedastici condizionali come ARCH, GARCH, GARCH-M, TGARCH, EGARCH e IGARCH, per la previsione di una serie di tassi di cambio.

Le reti perseptron multistrato (MLP) e la funzione di base radiale (RBF) sono state utilizzate per la previsione di una serie di tassi di cambio.

reti multistrato perseptron (MLP) e le reti a base radiale (RBF) con diverse architetture e modelli eteroscedastici condizionati.

eteroscedastici condizionati per prevedere cinque serie temporali di tassi di cambio. I risultati mostrano

che sia le reti neurali sia i modelli eteroscedastici condizionati possono essere utilizzati efficacemente per la previsione.

per la previsione. Le reti RBF ottengono risultati significativamente migliori rispetto alle reti MLP nel caso delle reti neurali.

neurale. IGARCH e TGARCH hanno prestazioni migliori rispetto ad altri modelli eteroscedastici condizionati.

modelli eteroscedastici condizionati. Le prestazioni delle reti neurali

nel prevedere il tasso di cambio è migliore rispetto ai modelli a eteroscedasticità condizionata. Si dimostra che la rete neurale può essere efficacemente

per la stima della volatilità condizionale delle serie di tassi di cambio e della volatilità implicita delle opzioni N

volatilità delle opzioni NIFTY. È emerso che la rete neurale supera i modelli eteroscedastici condizionati nella previsione fuori campione.

nella previsione fuori campione.

 
Il vantaggio di arche-like è il numero minimo di parametri, probabilmente in relazione al numero di pesi dei neuroni. Anche RBF ha meno pesi di mlp. Questo però è il modo in cui lo si conta.
 
Maxim Dmitrievsky #:
Il vantaggio di arche-like è il numero minimo di parametri, probabilmente in relazione al numero di pesi dei neuroni. Anche RBF ha meno pesi di mlp. Anche se questo è il modo in cui lo si conta.

Archie modella la non stazionarietà, e in modo piuttosto dettagliato.

I modelli MO, probabilmente anche i neuroni, sfruttano l'idea che "la storia si ripete" cercando modelli.

L'articolo implica che il percorso di ricerca di modelli è più promettente della modellazione della non stazionarietà?

 
СанСаныч Фоменко #:

archiviazione della non stazionarietà, e in modo molto dettagliato.

I modelli MO, probabilmente anche quelli neuronici, sfruttano l'idea che "la storia si ripete" cercando modelli.

L'articolo implica che il percorso di ricerca di modelli è più promettente della modellizzazione della non stazionarietà?

Modellare la non stazionarietà implica modellare la volatilità, per come la intendo io. Senza la direzione degli scambi. Da questo punto di vista, i pattern o lo spostamento degli incrementi medi sono più promettenti per il trading direzionale. Non ho ancora letto l'articolo.

Rinuncerei anche a operazioni in direzioni diverse, ad esempio gli Eurobucks degli ultimi 10 anni dovrebbero essere stupidamente venduti periodicamente, senza acquisti. Gli acquisti introdurranno nei modelli più errori delle vendite.
 
Maxim Dmitrievsky #:
La modellazione della non stazionarietà implica la modellazione della volatilità, a mio avviso. Senza trading direzionale. Da questo punto di vista, i pattern o gli incrementi della media mobile sono più promettenti per il trading direzionale. Non ho ancora letto l'articolo.

Rinuncerei anche a operazioni in direzioni diverse, ad esempio gli Eurobucks degli ultimi 10 anni dovrebbero essere stupidamente venduti periodicamente, senza acquistare. Ogni acquisto introdurrà più errori nei modelli rispetto alla vendita.

Sono d'accordo.

Nei nostri terminali segni mestieri. Cosa sia la volatilità non è affatto chiaro.

Ma se si tratta di prevedere il valore assoluto di un'attività, è un'altra questione. La volatilità è il rischio, che è fondamentale per prevedere il valore di un asset.


Probabilmente si tratta di qualcosa di simile.


Quindi dimenticherò le garchie.