Votre réseau neuronal n’apprend pas de modèles. C'est mémoriser le bruit.

Un réseau neuronal analyse un indice boursier, identifie une trajectoire et prédit une tendance à la hausse confiante. Ensuite, le marché s’effondre et le modèle passe complètement à côté. Non pas parce que l’architecture était trop simple. Pas parce que les données d'entraînement étaient trop petites. Parce qu’il n’y avait aucun signal pour apprendre en premier lieu. Dans cette vidéo, nous décrivons la frontière mathématique entre les données qui peuvent être prévues et celles qui ne le peuvent pas, et nous expliquons pourquoi les modèles d'apprentissage profond les plus sophistiqués échouent lorsqu'ils ne peuvent pas faire la différence. Ce que vous apprendrez : 0:00 — Pourquoi l'apprentissage profond prédit avec confiance la mauvaise chose 0:53 — Le bruit blanc : la base mathématique du pur hasard 1:55 — La marche de l'ivrogne et pourquoi les données financières ont une mémoire qui se construit sur elle-même 2:43 — L'illusion visuelle qui trompe à la fois la psychologie humaine et les algorithmes d'apprentissage automatique 3:12 — Que se passe-t-il réellement lorsque vous entraînez un réseau neuronal sur une marche aléatoire 3:45 — L'hypothèse des marchés efficaces et Eugene Le cadre de Fama 4:25 — Pourquoi les prévisions naïves battent les modèles complexes dans des systèmes hautement efficaces 4:49 — Trois lignes de Python qui prouvent à quel point le bruit et la tendance sont réellement similaires 6:07 — La limite structurelle qu'aucune optimisation ne peut franchir Script Python complet dans le dépôt. Exécutez la simulation de bruit blanc et de marche aléatoire sur votre propre machine. Dépôt de code : https://github.com/NiketGirdhar22/time-series Vidéo précédente : Stationnarité et test ADF : https://youtu.be/RmWrGKMWVgE?si=jb3MHdy1AUHddXfY Playlist de la série complète : https://youtube.com/playlist?list=PLguYZSl_jixxmzPOCNSisBAwyTAvobU3d&si=mWewadYWzOii_IyH Références Fama, EF (1970) — Marchés de capitaux efficaces : examen de la théorie et des prévisions de preuves empiriques : principes et pratiques — Hyndman et Athanasopoulos Documentation aléatoire et cumsum NumPy : numpy.org Note de transparence Cette vidéo a été réalisée à l'aide d'outils assistés par l'IA pour la structuration du script, la narration et les visuels. Les idées, la direction éditoriale et le cadre d'apprentissage sont les nôtres. L’IA a été utilisée comme couche de production, et non comme réflexion derrière elle. Les questions sur notre processus sont les bienvenues dans les commentaires. #timeseries #datascience #python #machinelearning #randomwalk #whitenoise #forecasting #efficientmarkets #neuralnetworks #deeplearning #stockmarket #dataanalysis #learnpython