你的神經網路不是學習模式。它正在記憶噪音。

神經網路分析股票指數，識別軌跡，並預測有信心的上升趨勢。然後市場崩盤，模型就完全錯過了。並不是因為架構太簡單。並不是因為訓練資料太小。因為一開始就沒有學習的訊號。在本影片中，我們打破了可預測資料和不可預測資料之間的數學界限，以及為什麼最複雜的深度學習模型在無法區分差異時會失敗。您將學到什麼： 0:00 — 為什麼深度學習自信地預測錯誤的事情 0:53 — 白噪聲：純隨機性的數學基線 1:55 — 醉漢行走以及為什麼金融數據具有建立在自身之上的記憶 2:43 — 欺騙人類心理學和機器學習算法的視覺錯覺 3:12 — 當您隨機遊走的神經學演算法有效市場假說和尤金·法瑪的框架4:25 — 為什麼簡單的預測在高效系統中勝過複雜模型 4:49 — 三行 Python 證明噪音和趨勢實際上有多相似 6:07 — 結構邊界沒有任何優化可以跨越存儲庫中的完整 Python 腳本。在您自己的機器上執行白噪音和隨機遊走模擬。程式碼倉庫：https://github.com/NiketGirdhar22/time-series 上一個影片：平穩性和 ADF 測試：https://youtu.be/RmWrGKMWVgE?si=jb3MHdy1AUHddXfY 完整系列播放清單： https://youtube.com/playlist?list=PLguYZSl_jixxmzPOCNSisBAwyTAvobU3d&si=mWewadYWzOii_IyH 參考文獻 Fama, EF (1970) — 有效資本市場：理論與經驗證據預測透明 代碼與實踐該影片是使用人工智慧輔助工具製作的腳本結構、旁白和視覺效果。想法、編輯方向和學習框架都是我們自己的。人工智慧被用作生產層，而不是背後的思維。歡迎在評論中對我們的流程提出疑問。 #timeseries #datascience #python #machinelearning #randomwalk #whitenoise #forecasting #efficientmarkets #neuralnetworks #deeplearning #stockmarket #dataanalysis #learnpython