Previsão de mercado com base em indicadores macroeconômicos - página 44
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Não pensei que terminaria com a venda banal de livros, por isso ele diria a)))) Desculpe)))) hilariante...
Eu dividiria toda a matemática econômica moderna em duas partes
...
Diferenças aparentemente sutis têm conseqüências muito graves.
...
Ambos utilizam a extrapolação de dados como tal. Se você trocar a carroça com o cavalo, ela continua sendo uma carroça com um cavalo - uma extrapolação. Não importa se estamos inicialmente procurando fatores que influenciam uma mudança no futuro, ou se estamos comparando a mudança que ocorreu com esses fatores - o resultado é o mesmo, um modelo que pensamos que deveria prever o futuro, com base em dados do passado.
Pessoalmente, eu dividiria todas as abordagens comerciais em dois outros grupos:
Com o primeiro grupo, tudo fica mais ou menos claro. São infinitas combinações de preditores com pesos diferentes para tentar explicar a variável que supostamente depende deles - o preço. O segundo grupo funciona de maneira diferente. Ela se baseia na identificação de propriedades específicas do processo, seguida da exploração dessas propriedades. Por exemplo, se o modelo for capaz de identificar um forte retorno de processo, ele simplesmente encontra mercados com tal característica e começa a negociar "no nível pullback". Ao mesmo tempo, as regras específicas para identificação deste "nível" mágico ou técnicas comerciais específicas não são muito importantes. O importante é que o processo realmente tem esta característica e não a altera com o tempo. Ao mesmo tempo, o resultado de cada entrada particular no mercado não é nada importante, pois não há nenhuma idéia sobre a previsão para um determinado comércio. O importante são as estatísticas finais, que dependem das propriedades do processo.
Tanto o primeiro como o segundo utilizam a extrapolação de dados como tal.
Aqui você simplesmente não está ciente disso. Não há extrapolação como tal nos modelos de classificação da aprendizagem de máquinas.
Por exemplo, as florestas.
As árvores são construídas sobre uma amostra de treinamento, geralmente para uma amostra de mais de 3000 barras você recebe mais de 100 árvores - uma floresta de árvores. Cada árvore é um padrão em termos de AT.
Na chegada da próxima barra, a combinação de preditores correspondente a esta última barra é pesquisada entre as árvores. Pode ser a 1ª árvore, a 50ª ou a última - a que melhor se encaixa. Onde está a extrapolação aqui?
Baseia-se na identificação de propriedades específicas do processo, seguida pela exploração dessas propriedades
É uma ótima idéia se você puder gerar uma amostra de treinamento. O problema todo é o professor. Caso contrário, com os botões....
Aqui você está simplesmente fora de contato. Não há extrapolação como tal nos modelos de classificação da aprendizagem de máquinas.
Por exemplo, as florestas.
As árvores são construídas sobre uma amostra de treinamento, geralmente para uma amostra de mais de 3000 barras você recebe mais de 100 árvores - uma floresta de árvores. Cada árvore é um padrão em termos de AT.
Na chegada da próxima barra, a combinação de preditores correspondente a esta última barra é pesquisada entre as árvores. Pode ser a 1ª árvore, a 50ª ou a última - a que melhor se encaixa. Onde está a extrapolação aqui?
Baseia-se na identificação de propriedades específicas do processo, seguida pela exploração dessas propriedades
É uma ótima idéia se você puder gerar uma amostra de treinamento. O problema todo é o professor. Caso contrário, com os botões....
Por que usar suas mãos, Kohonen classifica perfeitamente, você só precisa apresentá-lonovamente com Kohonen Maps
Não entendo o valor prático no comércio de métodos de classificação sem um professor. Trocamos coisas bem específicas: anseios e calções, fuga e recuperação de um nível...
E aqui? Há o PCA, ele reformata os preditores e o novo conjunto tem uma série de características muito interessantes, e aqui...
Não entendo o valor prático no comércio de métodos de classificação sem um professor. Trocamos coisas bem específicas: anseios e calções, fuga e recuperação de um nível...
E aqui? Existe o PCA, portanto reformata os preditores e o novo conjunto tem uma série de características muito interessantes, mas aqui...
Não entendo o valor prático no comércio de métodos de classificação sem um professor. Trocamos coisas bem específicas: anseios e calções, fuga e recuperação de um nível...
E aqui? Existe o PCA, portanto reformata os preditores e o novo conjunto tem uma série de características muito interessantes, mas aqui...
O que é aprender sem um professor - seleção automática de padrões. Tendo padrões - encontramos pontos no mapa onde "certas coisas se acumulam: calções longos, breakout-bounce...", e depois esperamos por sinais online para ativar esses pontos.
Se não houver um professor, o significado dos padrões não é claro.
O que é um professor?
Um pedaço de quociente corresponde aos longos, e este pedaço de quociente corresponde aos calções. Quando o modelo é ensinado, os conjuntos de valores preditores são divididos em duas classes correspondentes ao professor.
Que tal sem um professor? Qual é o significado dos padrões?
Que tal sem um professor? Qual é o significado dos padrões?