EVIDENCE HAS BEEN PRESENTED that co

EVIDENCE HAS BEEN PRESENTED that contradicts tbe current financial neural network development heuristic, wbich implies that greater quantities of training data necessarily produce better-quality forecasting models. A new time series model effect, termed tbe Time-Series Recency Effect, has been demonstrated to work consistently across neural network models for six different currency excbange time series. Tbe TS Recency Effect claims that model building data tbat is nearer in time to the out-of-sample values to be forecast produces more accurate forecasting models.

ผลลัพธ์ (ไทย) 1:

หลักฐานมีการนำเสนอที่ทุกโครงข่ายประสาทเงิน tbe ปัจจุบันพัฒนา heuristic, wbich หมายถึงการที่ปริมาณมากกว่าข้อมูลการฝึกอบรมจำเป็นต้องผลิตคุณภาพดีกว่าแบบจำลองคาดการณ์ มีการแสดงแบบใหม่เวลาชุดจำลองผล เรียกว่า tbe เวลาชุด Recency ผล ทำงานอย่างต่อเนื่องในรูปแบบเครือข่ายประสาทสำหรับหกสกุลเงินอื่น excbange เวลาชุด Tbe TS Recency ผลอ้างว่า อาคารรุ่น tbat ข้อมูลจะเอื้อมในเวลาค่าออกของตัวอย่างมีการคาดการณ์ผลิตถูกต้องมากกว่าแบบการพยากรณ์

ผลลัพธ์ (ไทย) 2:

มีหลักฐานแสดงว่าขัดแย้งประสาทการเงิน TBE ปัจจุบันเครือข่ายการแก้ปัญหาการพัฒนา wbich แสดงให้เห็นว่าปริมาณที่มากขึ้นของข้อมูลการฝึกอบรมจำเป็นต้องผลิตรูปแบบการพยากรณ์มีคุณภาพดีขึ้น เวลาที่มีผลบังคับใช้รูปแบบชุดใหม่เรียกว่า TBE เวลา-Series ความใหม่ผลกระทบได้รับการแสดงให้เห็นถึงการทำงานอย่างต่อเนื่องในรูปแบบเครือข่ายประสาทหกสกุลเงินที่แตกต่างกันอนุกรมเวลา excbange TBE TS ความใหม่ผลอ้างว่าข้อมูลอาคารรูปแบบเป็นสิ่งที่ใกล้ tbat ในเวลาที่ค่าออกจากตัวอย่างจะได้รับการคาดการณ์การผลิตรูปแบบการพยากรณ์ที่แม่นยำมากขึ้น

ผลลัพธ์ (ไทย) 3:

หลักฐานที่ได้รับการเสนอที่ขัดแย้งกับทีบีทางการเงินในปัจจุบันการพัฒนาเครือข่ายประสาทแบ่ง wbich หมายความว่าปริมาณที่มากขึ้นของข้อมูลการฝึกอบรมต้องผลิตคุณภาพดีแบบพยากรณ์ . ผลแบบอนุกรมเวลาแบบใหม่ เรียกว่าทีบีความใหม่อนุกรมเวลาผลกระทบได้แสดงงานอย่างต่อเนื่องผ่านแบบจำลองโครงข่ายประสาทเทียมสำหรับหกที่แตกต่างกันสกุลเงิน excbange เวลาชุด ทีบี TS ความใหม่ผลอ้างว่าแบบจำลองข้อมูลอาคาร Tbat เป็นใกล้ ในเวลาที่จะออกจากตัวอย่างค่าจะคาดผลิตถูกต้องการพยากรณ์แบบ