비정상 데이터는 시계열 모델에 의해 예측되지 않습니다. 통계적 모델(회귀, 자기회귀, 평활화 등)이나 구조적 모델(NN, 분류, 마르코프 체인 등)이 아닙니다.
도메인 모델만
분류에 대해서는 동의할 수 없습니다.
Non-stationarity의 문제는 전혀 없습니다. 명목(범주) 데이터를 기반으로 하는 모델은 상당히 수용 가능합니다. 비정상성은 명목 데이터와 전혀 관련이 없습니다. 더욱이 랜덤 변수를 명목 변수로 변환(예: RSI를 레벨로 변환)은 결과에 매우 유리한 영향을 미칩니다.
모든 시뮬레이션의 기본인 비정상성(모델 과적합)에 따른 문제가 있습니다. 그리고 과적합 문제를 해결하려면 예측 변수를 심각하게 다루어야 합니다.
Non-stationarity의 문제는 전혀 없습니다. 명목(범주) 데이터를 기반으로 하는 모델은 상당히 수용 가능합니다. 비정상성은 명목 데이터와 전혀 관련이 없습니다. 더욱이 랜덤 변수를 명목 변수로 변환(예: RSI를 레벨로 변환)은 결과에 매우 유리한 영향을 미칩니다.
모든 시뮬레이션의 기본인 비정상성(모델 과적합)에 따른 문제가 있습니다. 그리고 과적합 문제를 해결하려면 예측 변수를 심각하게 다루어야 합니다.
분류는 또한 수신 데이터의 특성을 기반으로 하며 이러한 특성이 시간이 지남에 따라 변경되면 향후 분류를 적용하면 잘못된 예측이 제공됩니다.
정상성은 시간이 지남 에 따라 특성이 변경되지 않는 프로세스의 속성입니다.
어떤 특정한 특징이 있습니까?
분산
그리고 그게 다야?
넓은 의미에서 MO와 분포함수는
그러면 넓은 의미에서 MO이면 확률론적이면 충분합니다. 아니다?
비정상 데이터는 시계열 모델에 의해 예측되지 않습니다. 통계적 모델(회귀, 자기회귀, 평활화 등)이나 구조적 모델(NN, 분류, 마르코프 체인 등)이 아닙니다.
도메인 모델만
분류에 대해서는 동의할 수 없습니다.
Non-stationarity의 문제는 전혀 없습니다. 명목(범주) 데이터를 기반으로 하는 모델은 상당히 수용 가능합니다. 비정상성은 명목 데이터와 전혀 관련이 없습니다. 더욱이 랜덤 변수를 명목 변수로 변환(예: RSI를 레벨로 변환)은 결과에 매우 유리한 영향을 미칩니다.
모든 시뮬레이션의 기본인 비정상성(모델 과적합)에 따른 문제가 있습니다. 그리고 과적합 문제를 해결하려면 예측 변수를 심각하게 다루어야 합니다.
분류에 대해서는 동의할 수 없습니다.
Non-stationarity의 문제는 전혀 없습니다. 명목(범주) 데이터를 기반으로 하는 모델은 상당히 수용 가능합니다. 비정상성은 명목 데이터와 전혀 관련이 없습니다. 더욱이 랜덤 변수를 명목 변수로 변환(예: RSI를 레벨로 변환)은 결과에 매우 유리한 영향을 미칩니다.
모든 시뮬레이션의 기본인 비정상성(모델 과적합)에 따른 문제가 있습니다. 그리고 과적합 문제를 해결하려면 예측 변수를 심각하게 다루어야 합니다.