Research by Walczak and Cerpa [32]

Research by Walczak and Cerpa [32] and others [27, 39] has already focused on the question of selecting appropriate input values for modeling time series domains. However, the question of how much historical information is required to produce the best-performing model has not been addressed by neural network researchers. The research presented in this article investigates the requirements for training or modeling knowledge when building nonlinear financial time series forecasting models with neural networks. Homogeneous neural network forecasting models are developed for trading the U.S. dollar against various other foreign currencies. The differences between the neural network models for a specific currency lie solely in the quantity of training data used to develop each time series forecasting model

ผลลัพธ์ (ไทย) 2:

การวิจัยโดย Walczak และ Cerpa [32] และอื่น ๆ [27 39] มีความสำคัญอยู่แล้วในคำถามของการเลือกค่าที่ป้อนเข้าที่เหมาะสมสำหรับการสร้างแบบจำลองเวลาโดเมนชุด แต่คำถามของเท่าใดข้อมูลทางประวัติศาสตร์จะต้องผลิตรุ่นที่ดีที่สุดที่มีประสิทธิภาพยังไม่ได้รับการแก้ไขโดยนักวิจัยเครือข่ายประสาท งานวิจัยที่นำเสนอในบทความนี้สำรวจความต้องการในการฝึกอบรมความรู้การสร้างแบบจำลองหรือเมื่อมีการสร้างช่วงเวลาที่ไม่เป็นเชิงเส้นทางการเงินรูปแบบการพยากรณ์ชุดที่มีเครือข่ายประสาท เป็นเนื้อเดียวกันรูปแบบการพยากรณ์เครือข่ายประสาทได้รับการพัฒนาสำหรับการซื้อขายเงินดอลลาร์สหรัฐเทียบกับเงินสกุลต่างประเทศอื่น ๆ อีกมากมาย ความแตกต่างระหว่างรูปแบบเครือข่ายประสาทสำหรับโกหกสกุลเงินที่เฉพาะเจาะจง แต่เพียงผู้เดียวในปริมาณของข้อมูลการฝึกอบรมใช้ในการพัฒนาในแต่ละครั้งที่ชุดรูปแบบการพยากรณ์

ผลลัพธ์ (ไทย) 3:

และการวิจัยโดยวัลแช็ก cerpa [ 32 ] และคนอื่น ๆ [ 27 , 39 ] ได้มุ่งเน้นไปที่คำถามของการเลือกที่เหมาะสมสำหรับการป้อนค่าเวลาโดเมนซีรี่ส์ อย่างไรก็ตาม คำถามของเท่าใดของข้อมูลทางประวัติศาสตร์จะต้องผลิตการแสดง ที่ดีที่สุด แบบยังไม่ได้ระบุโดยนักวิจัยเครือข่ายประสาทการวิจัยที่นำเสนอในบทความนี้ได้ทำการศึกษาความต้องการในการฝึกอบรมหรือการสร้างความรู้ทางการเงินการพยากรณ์อนุกรมเวลาเชิงเส้นเมื่อรุ่นกับโครงข่ายประสาทเทียม โครงข่ายประสาทเทียมแบบจำลองการคาดคะเนซึ่งถูกพัฒนาขึ้นเพื่อการซื้อขายเงินดอลลาร์สหรัฐเทียบกับสกุลเงินต่างประเทศต่างๆอื่น ๆความแตกต่างระหว่างแบบจำลองโครงข่ายประสาทเทียมสำหรับสกุลเงินเฉพาะโกหกเพียงอย่างเดียวในปริมาณของข้อมูลการฝึกอบรมที่ใช้พัฒนาในการพยากรณ์อนุกรมเวลาแบบ