Twip battle - Обучаю торговле на Forex - VS - Создание предиктивных

Если вы мечтаете быстро разбогатеть - не обращайтесь, т. к. торговля на финансовых рынках это не лотерея и не казино, это тяжёлый труд по познанию, прежде всего, самого себя. Это ежедневная борьба со своими чувствами, инстинктами и страхами. Это образ жизни. Если вы готовы посвятить свою жизнь трейдингу, переживать взлёты и падения, боль и радость, тяжёлый труд над исправлением своих, повторяющихся раз за разом, ошибок - тогда, возможно это дело для вас. Сколько времени понадобится вам для овладения профессией - я сказать не могу, может быть несколько месяцев, может быть несколько лет, а может быть вам всё это надоест и вы сами бросите. Я могу только пообещать, что попытаюсь провести вас по дороге, по которой прошёл сам с возможно меньшими травмами, но в конечном итоге идти придётся самостоятельно.

Предиктивная модель - эффективный инструмент поддержки принятия бизнес-решений. Создание такой модели - процесс поиска закономерностей с использованием алгоритмов машинного обучения (Mashine Lerning) в существующем наборе исторических данных (обучение модели) для предсказания наиболее вероятных вариантов развития событий в будущем (применение модели).

Классифицирующая модель позволяет разбить большой массив данных на группы (классы), характеризующиеся сходным набором признаков, используя явные и неявные закономерности. Применение такой модели, позволяет, например, определить группы пользователей, характеризующихся определенным поведением и сделать им предложения, интересные именно для них.

Для обеспечения качества работы модели необходим тщательный отбор и подготовка входных данных. Также может возникнуть необходимость во внешних данных. Результатом моей работы будет:

1) сама модель в формате, определяемом выбранной моделью (например, в случае линейных моделей это будет вектор весов каждого из факторов. Вес фактора определяет степень его влияния на результат)

2) отчет о валидности (точности предсказания) модели

3) файл с результатами применения модели к исследуемому набору данных