1
A
回答
0
這是不容易說你這ML算法中會給你最好的更流暢。特別是如果不想看看你想預測哪個市場。我建議你實施不同的算法並嘗試對它們進行訓練,因爲在我的練習中,更改圖層會產生不同的結果。 SVM有時也足夠靈活。同時嘗試實施並檢查您的培訓將如何處理經過訓練和未經訓練的數據,以獲得真正的好成績。還分析機器學習將如何在更可預測的序列(又名sin,cos,polinomials,randow散步)上工作
其他領域的調查可以是一些技術分析補充:移動平均線,隨機指標,蠟燭圖模式,斐波納契水平。
最後爲了賺錢不要只依靠神經網絡或支持向量機,而是將它們與一些交易策略結合使用。例如,您可以使用一些具有30%性能的交易策略,並使用ML來將性能提高至60%。
相關問題
- 1. 股票市場API
- 2. 支持向量機預測方法
- 3. TableView javaFx股票市場
- 4. 在Matlab中使用支持向量機與支持向量機
- 5. 支持向量機 - R的代碼 - 預測時間序列
- 6. 獲取所有股票符號(指數)股票市場明智
- 7. 如何驗證股票市場數據
- 8. KDB/Q構建股票市場指數
- 9. 反向傳播
- 10. 支持向量機簡介
- 11. Scala支持向量機庫
- 12. SVM(支持向量機)opencv
- 13. 支持向量機繪圖
- 14. 支持向量機示例
- 15. Apache Spark支持向量機
- 16. 支持向量機插圖
- 17. 支持向量機理解
- 18. Apache-Spark支持向量機
- 19. 如何正常化神經網絡預測股票市場的輸入[python]
- 20. 使用IBM Watson爲股票市場創建聊天機器
- 21. 線性支持向量機與非線性支持向量機高維數據
- 22. 雅虎股票API檢索趨勢股(市場推動者)
- 23. 支持向量機的幾何直覺
- 24. 支持向量機的停止標準
- 25. Hadoop上的支持向量機
- 26. 支持向量機參數matlab的
- 27. 支持向量機Tensorflow的實現
- 28. 使用支持向量迴歸的時間序列預測
- 29. 反向傳播的問題
- 30. 支持向量機中的決策邊界和權向量