Si los retornos no dependen en serie, entonces no hay ningún método de aprendizaje automático que funcione para predecir retornos futuros y, por lo tanto, sería imposible realizar intercambios direccionales rentables en la serie de tiempo en cuestión.
Es decir, si [matemáticas] E [r_t | X_ {t-1}] = \ mu [/ math], donde [math] X_ {t-1} [/ math] es toda la información conocida en el momento [math] t-1 [/ math] y [math] \ mu [/ math] es un rendimiento promedio constante, entonces realmente no importa si usa bosques aleatorios, aumento, embolsado, regresión lineal simple: no hay características del tiempo [math] t-1 [/ math] o anterior puede predecir el retorno futuro.
Entonces, si bien es difícil decir para una serie de tiempo específica y características específicas si los bosques aleatorios serán útiles si hay una dependencia en serie, definitivamente son potencialmente útiles solo si hay una dependencia en serie.
- ¿Por qué utilizamos el agrupamiento en el análisis estadístico? ¿Puedes dar una explicación intuitiva o ejemplos intuitivos?
- Modelos ocultos de Markov: ¿cómo se obtiene el siguiente valor observado pronosticado de un HMM?
- ¿Cuáles son algunas características comunes utilizadas en la clasificación basada en audio?
- ¿Cuál es la mejor manera de encontrar análisis de sentimientos?
- Cómo evaluar los mejores resultados posibles para un clasificador SVM