Ihr neuronales Netzwerk lernt keine Muster. Es speichert Geräusche.

Ein neuronales Netzwerk analysiert einen Aktienindex, identifiziert eine Flugbahn und sagt einen sicheren Aufwärtstrend voraus. Dann bricht der Markt zusammen und das Modell verfehlt ihn völlig. Nicht weil die Architektur zu einfach war. Nicht weil die Trainingsdaten zu klein waren. Weil es überhaupt kein Signal zum Lernen gab. In diesem Video lösen wir die mathematische Grenze zwischen Daten, die prognostiziert werden können, und Daten, die nicht prognostiziert werden können, und erklären, warum die ausgefeiltesten Deep-Learning-Modelle scheitern, wenn sie keinen Unterschied erkennen können. Was Sie lernen werden: 0:00 – Warum Deep Learning sicher das Falsche vorhersagt 0:53 – Weißes Rauschen: die mathematische Grundlage des reinen Zufalls 1:55 – Der Gang des Betrunkenen und warum Finanzdaten ein Gedächtnis haben, das auf sich selbst aufbaut 2:43 – Die visuelle Illusion, die sowohl die menschliche Psychologie als auch Algorithmen des maschinellen Lernens täuscht 3:12 – Was tatsächlich passiert, wenn Sie ein neuronales Netzwerk auf einem Random Walk trainieren 3:45 – Die Hypothese effizienter Märkte und Eugene Fama's Framework 4:25 – Warum die naive Prognose komplexe Modelle in hocheffizienten Systemen übertrifft 4:49 – Drei Python-Zeilen, die beweisen, wie ähnlich Rauschen und Trend wirklich sind 6:07 – Die strukturelle Grenze, die kein Optimierungsaufwand überschreiten kann Vollständiges Python-Skript im Repo. Führen Sie die Simulation von weißem Rauschen und zufälligem Gehen auf Ihrem eigenen Computer aus. Code-Repo: https://github.com/NiketGirdhar22/time-series Vorheriges Video: Stationarität und der ADF-Test: https://youtu.be/RmWrGKMWVgE?si=jb3MHdy1AUHddXfY Vollständige Serien-Playlist: https://youtube.com/playlist?list=PLguYZSl_jixxmzPOCNSisBAwyTAvobU3d&si=mWewadYWzOii_IyH Referenzen Fama, EF (1970) – Efficient Capital Markets: A Review of Theory and Empirical Evidence Forecasting: Principles and Practice – Hyndman und Athanasopoulos NumPy-Zufalls- und Cumsum-Dokumentation: numpy.org Transparenz Hinweis: Dieses Video wurde mit KI-gestützten Tools zur Skriptstrukturierung, Erzählung und Visualisierung erstellt. Die Ideen, die redaktionelle Ausrichtung und der Lernrahmen stammen von uns. KI wurde als Produktionsebene eingesetzt, nicht als dahinterliegender Gedanke. Fragen zu unserem Prozess sind gerne in den Kommentaren willkommen. #timeseries #datascience #python #machinelearning #randomwalk #whitenoise #forecasting #efficientmarkets #neuralnetworks #deeplearning #stockmarket #dataanalysis #learnpython