Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 3106

 
Aleksey Nikolayev #:

que, intelectualmente, a maioria de nós poderia muito bem ser substituída por IA)

Sim....

Mas ainda temos alguns anos, ou meses, pela frente)).


Por enquanto, há dois problemas para lançar uma IA forte

1. Arquiteturas muito vorazes

2. Hardware muito fraco

Esses são essencialmente dois lados da mesma moeda...

Mas o trabalho está em andamento para resolver tanto o primeiro quanto o segundo problema...


Eles não estão com pressa para mudar a arquitetura (as redes neurais são tudo para nós), mas terão que fazê-lo, mas com hardware rápido (computadores quânticos) tudo fica muito mais ativo.

 

Dizem aqui que o teste t às vezes também funciona bem em dados anormais


 
mytarmailS #:

Sim....

Mas ainda temos alguns anos, ou meses, pela frente))


Até o momento, há dois problemas para lançar uma IA forte

1. Arquiteturas muito vorazes

2. Hardware muito fraco

São basicamente dois lados da mesma moeda....

Mas o trabalho está em andamento para resolver tanto o primeiro quanto o segundo problema....


Eles não estão com pressa para mudar a arquitetura (as redes neurais são tudo o que temos), mas terão de fazê-lo, mas estão muito mais ativos com hardware rápido (computadores quânticos).

Há uma ameaça da IA, mas em uma distância vaga e somente depois de respondermos à pergunta: o que é inteligência natural? Até o momento, não há abordagens para isso.

 
Isso foi há muito tempo, mas não tem nada a ver com estacionariedade. Em vez de se dizer que o modelo é estável, diz-se: corretamente (1) diferenciado, (2) modelado a variância (vários modelos), (3) modelado a média (ARIMA-AFRIMA), (4) modelado a distribuição. Em resumo, se era possível modelar a NÃO estacionariedade, o que não é um fato. A julgar pelo pacote rugarch, as pessoas distinguem um grande número de nuances na NÃO estacionariedade.
 
СанСаныч Фоменко #:
Isso foi há muito tempo, mas não tem nada a ver com estacionariedade. Menos de um indica a estabilidade do modelo, indica que: corretamente (1) diferenciado, (2) modelou a variância (muitos modelos), (3) modelou a média (ARIMA-AFRIMA), (4) modelou a distribuição. Em resumo, eles estão tentando modelar a NÃO estacionariedade.

Posso ver o código real de aplicação dessas garras? Ou é apenas uma paráfrase de folhetos sem uma gota de prática?

 
Esta é a segunda ou terceira vez que venho a este tópico para dar uma olhada. Nada mudou, apenas milhares de páginas foram adicionadas. Não importa se é a primeira ou a última. é a mesma coisa.
 
mytarmailS #:

Podemos ver o código real para a aplicação dessas garças? Ou é apenas uma paráfrase de folhetos sem uma gota de prática.

Tentei alguns anos atrás (2017-2918), mas desisti - muito complicado. Avalie rugarch:ugarchspec. Além disso, os parâmetros estão interconectados, tudo está ligado à otimização, um passo para o lado e você tem horas de ajuste de modelo. Não fiquei impressionado com os resultados, mas isso é culpa minha, e não da curvatura do modelo.

 
СанСаныч Фоменко #:

1) Tentei fazer isso há alguns anos (2017-2918), mas desisti - muito complicado.

2) Não fiquei impressionado com os resultados, mas isso é culpa minha, não da curvatura do modelo.

Então, por que você anuncia esse lixo aqui regularmente????


Não quero experimentar nada, já experimentei por muitos anos....

Posso dizer, sem tentar, o que pode funcionar e o que não pode....


Se o algoritmo considera o mercado como uma série temporal, então adeus de uma vez, não importa se é um estocástico ou um Garch elogiado.

O resultado para mim já está predeterminado

 
Dmitry Fedoseev #:
Esta é a segunda ou terceira vez que venho a este tópico para dar uma olhada. Nada mudou, apenas milhares de páginas foram adicionadas. Não importa se é a primeira ou a última. é a mesma coisa.

O que deveria mudar é que o aprendizado de máquina só funciona com estática.

Prever o futuro é um absurdo.

 
Os comentários não relevantes para este tópico foram movidos para "Maneira inaceitável de se comunicar".