Deep Learning für Finanzen

Kapitel 9. Deep Learning für Zeitreihenvorhersagen II

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In diesem Kapitel werden einige Techniken und Methoden vorgestellt, die die Vorhersageaufgabe von maschinellen und Deep-Learning-Algorithmen ergänzen. Es setzt sich aus verschiedenen Themen zusammen, die jeweils einen Weg zur Verbesserung und Optimierung des Prozesses aufzeigen. Zu diesem Zeitpunkt solltest du ein solides Verständnis der Grundlagen von Machine- und Deep-Learning-Modellen haben und wissen, wie man einen grundlegenden Algorithmus programmiert, der die Erträge einer Finanzzeitreihe (oder einer beliebigen stationären Zeitreihe) vorhersagt. Dieses Kapitel schließt die Lücke zwischen dem Grundwissen und den fortgeschrittenen Kenntnissen, die erforderlich sind, um die Algorithmen auf eine funktionale Ebene zu heben.

Gebrochene Differenzierung

In seinem Buch Advances in Financial Machine Learning beschreibt Marcos López de Prado eine Technik, mit der nichtstationäre Daten in stationäre Daten umgewandelt werden können. Dies wird als fraktionale Differenzierung bezeichnet.

Diefraktionierte Differenzierung ist eine mathematische Technik, die verwendet wird, um eine Zeitreihe in eine stationäre Reihe umzuwandeln und dabei einen Teil ihres Gedächtnisses zu bewahren. Sie erweitert das Konzept der Differenzierung (oder der Renditen), das üblicherweise verwendet wird, um Trends zu entfernen ...