El comercio algorítmico se trata de encontrar patrones en los datos y comerciar con ellos en el futuro .
En esta charla técnica de Qplum, discutimos los beneficios de la inferencia causal en el modelado, que se relacionan con, pero no se limitan a, el modelado financiero . Una buena forma de inferir y visualizar la inferencia causal son los modelos gráficos.
Permítanme dar un ejemplo de cómo los modelos gráficos conducen a modelos más robustos que simplemente hablando, hacen más dinero en el futuro .
- ¿Cómo podemos predecir el género de un bebé mediante algoritmos de redes neuronales?
- ¿Qué opinas de una educación en informática donde el profesor de 'algoritmos y programación' ni siquiera sabe acerca de la notación Big O?
- ¿Cuál es la mejor manera de escribir un programa Java que pueda encontrar la derivada de una ecuación a partir de una cadena?
- ¿Qué estructura de datos se usa para llenar una pila?
- ¿Cuántos números debajo de [matemática] 10 ^ n [/ matemática] hay cuyos dígitos suman [matemática] [/ matemática]?
Usted ve que nos importa ganar dinero en el futuro. Realmente no nos importa obtener excelentes resultados en las pruebas de respaldo de datos pasados. Sin embargo, ¡solo podemos aprender de datos pasados ya que no tenemos datos futuros! Sin embargo, necesitamos hacer modelos a partir de datos pasados que realmente funcionen en datos futuros. Ahí es donde los modelos gráficos ayudan.
En los modelos anteriores, la distancia entre entidades se basa en la fuerza de su relación.
Esta es una pregunta muy relevante en el mundo actual de alta densidad de datos. Gracias por el A2A.
Para ver otros aspectos del aprendizaje automático en finanzas, lea aquí
