Capítulo 9. Aprendizaje profundo para la predicción de series temporales II
Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com
Este capítulo presenta algunas técnicas y métodos para complementar la tarea de previsión de los algoritmos de aprendizaje automático y profundo. Se compone de diferentes temas que tratan cada uno de una forma de mejorar y optimizar el proceso. Llegados a este punto, deberías tener una sólida comprensión de los fundamentos de los modelos de aprendizaje automático y profundo, y saber cómo codificar un algoritmo básico que prediga los rendimientos de una serie temporal financiera (o de cualquier serie temporal estacionaria). Este capítulo tiende un puente entre los conocimientos básicos y los conocimientos avanzados necesarios para elevar los algoritmos a un nivel funcional.
Diferenciación fraccionaria
En su libro Advances in Financial Machine Learning, Marcos López de Prado describe una técnica para transformar datos no estacionarios en datos estacionarios. Es lo que se denomina diferenciación fraccionaria.
La diferenciación fraccionaria es una técnica matemática utilizada para transformar una serie temporal en una serie estacionaria conservando parte de su memoria. Amplía el concepto de diferenciar (o tomar los rendimientos), que se utiliza habitualmente para eliminar tendencias y hacer estacionarias las series temporales.
En la diferenciación tradicional, la secuencia de datos se diferencia ...
Get Aprendizaje profundo para las finanzas now with the O’Reilly learning platform.
O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.
