你的神经网络不是学习模式。它正在记忆噪音。

神经网络分析股票指数，识别轨迹，并预测有信心的上升趋势。然后市场崩盘，模型就完全错过了。并不是因为架构太简单。并不是因为训练数据太小。因为一开始就没有学习的信号。在本视频中，我们打破了可预测数据和不可预测数据之间的数学界限，以及为什么最复杂的深度学习模型在无法区分差异时会失败。您将学到什么： 0:00 — 为什么深度学习自信地预测错误的事情 0:53 — 白噪声：纯随机性的数学基线 1:55 — 醉汉行走以及为什么金融数据具有建立在自身之上的记忆 2:43 — 欺骗人类心理学和机器学习算法的视觉错觉 3:12 — 当您训练随机游走的神经网络时实际会发生什么 3:45 — 有效市场假说和尤金·法玛的框架4:25 — 为什么简单的预测在高效系统中胜过复杂模型 4:49 — 三行 Python 证明噪声和趋势实际上有多相似 6:07 — 结构边界没有任何优化可以跨越存储库中的完整 Python 脚本。在您自己的机器上运行白噪声和随机游走模拟。代码仓库：https://github.com/NiketGirdhar22/time-series 上一个视频：平稳性和 ADF 测试：https://youtu.be/RmWrGKMWVgE?si=jb3MHdy1AUHddXfY 完整系列播放列表： https://youtube.com/playlist?list=PLguYZSl_jixxmzPOCNSisBAwyTAvobU3d&si=mWewadYWzOii_IyH 参考文献 Fama, EF (1970) — 有效资本市场：理论和经验证据预测回顾：原则与实践 — Hyndman 和 Athanasopoulos NumPy 随机和累积文档： numpy.org 透明度说明 该视频是使用人工智能辅助工具制作的脚本结构、旁白和视觉效果。想法、编辑方向和学习框架都是我们自己的。人工智能被用作生产层，而不是其背后的思维。欢迎在评论中对我们的流程提出疑问。 #timeseries #datascience #python #machinelearning #randomwalk #whitenoise #forecasting #efficientmarkets #neuralnetworks #deeplearning #stockmarket #dataanalysis #learnpython