Предсказание курса акций с помощью РНС и СМТГ

Предсказание финансовых рынков — сложная задача, но современное глубокое обучение предлагает мощные инструменты для моделирования последовательных данных. Понимание того, как рекурсивные нейронные сети обрабатывают данные временных рядов, является важным навыком для начинающих количественных аналитиков и ученых, работающих с данными. В этом курсе вы научитесь создавать последовательные модели глубокого обучения, подготавливать наборы финансовых данных, создавать рекурсивные нейронные сети (РНС) со слоями долгосрочной краткосрочной памяти (ДКМП) и оценивать их предсказуемость с использованием реальных данных о фондовых рынках. Что вы узнаете: - Понять основные концепции последовательных данных, рекурсивных нейронных сетей и почему LSTM превосходят в захвате долгосрочных зависимостей. - Подготовка и предварительная обработка наборов исходных финансовых данных с использованием современных методов обработки данных и надежного масштабирования признаков. - Создание архитектур рекурсивных нейронных сетей с LSTM-слоями с использованием экосистемы глубокого обучения Python. - применять надлежащие методы проверки временных рядов для предотвращения утечки данных и обеспечения реалистичной оценки модели. - Оценка эффективности модели с использованием ключевых регрессионных метрик для анализа точности прогноза по отношению к реальным тенденциям рынка. Курс начинается с основных терминов и математической интуиции, лежащей в основе последовательных моделей. Затем вы пройдете поэтапные письменные объяснения, охватывающие подготовку данных, проектирование архитектуры модели, фазы обучения и оценку производительности. Этот курс предназначен для начинающих в области глубокого обучения и энтузиастов финансов, которые хотят применить машинное обучение к данным временных рядов. Предварительное базовое знание Python полезно, но не требуется продвинутого глубокой подготовки, поскольку мы начинаем с фундаментальных концепций. Начните читать сегодня, чтобы освоить основы финансового прогнозирования с помощью глубинного обучения.