Обзор: В этой статье объясняется моя попытка предсказать, пойдет ли цена акции вверх или вниз за один день, учитывая историческую цену закрытия за предыдущие 50 дней. Я преобразовываю эти 50-дневные данные временных рядов с помощью грамианских угловых полей, чтобы сделать их интерпретируемыми CNN, и маркирую это изображение с направлением движения акций на 51-й день. Хотя результаты посредственные, с точностью около 58%, это новый метод решения вечной проблемы. Примечания и..

Эта статья познакомит вас с работой над 4-месячным проектом по разработке алгоритма машинного обучения для прогнозирования акций под руководством профессора Шулиха Чжэпонг (Лайонел) Ли . Это первая из трех частей. Весь код написан на питоне. Наука о данных и построение моделей выполняются с использованием пакетов Scikit-learn, numpy и pandas. Часть 1. Обзор: использование машинного обучения для принятия решений на основе данных Часть 2 - Математика: применение машинного обучения..

Этот Edureka «Прогнозирование акций с использованием машинного обучения» проведет вас через базовый процесс прогнозирования тенденций цен на акции с использованием архитектуры машинного обучения LSTM, а также с использованием известных библиотек Python, таких как Tensorflow, Keras и т. д. 🔥Программа последипломного образования NIT Warangal в области искусственного интеллекта и машинного обучения с Edureka: https://www.edureka.co/nitw-ai-ml-pgp Для получения дополнительной информации,..

Спасибо, что поделился. Результат меня совершенно не удивляет. Я прочитал много сообщений здесь, на Medium, в поисках святого Грааля для фондового рынка. И все терпят неудачу в долгосрочной перспективе. Почему? Как опытный трейдер, я поделюсь с вами некоторыми распространенными ошибками, которые совершают 75% розничных трейдеров: . Без знания предметной области. Я провел годы, изучая свечные графики рынков, которыми я планировал торговать позже. У каждого рынка есть свои..

Экспоненциальное сглаживание - это семейство методов прогнозирования, которые вычисляют средневзвешенное значение прошлых наблюдений в качестве прогноза. Веса экспоненциально убывают по мере того, как наблюдения становятся старше. В результате, чем позже было наблюдение, тем выше его вес в прогнозе. Семейство методов экспоненциального сглаживания моделирует три аспекта временных рядов: уровень тренда, наклон тренда и сезонный компонент. Эти три аспекта приводят к трем типам..