• Sběr dat – extrakce, transformace, načítání

    Sběr dat – extrakce, transformace, načítání
    Pro každé systémové rozhodnutí, včetně modelů strojového učení, je důležité mít k dispozici bohatý a komplexní soubor dat. Jen tak lze vytvořit robustní a výkonný model s požadovaným výkonem. V opačném případě by vývojář čelil takzvanému GIGO efektu (garbage in – garbage out). Jedná se o výraz, který říká, že…

    Číst dál

  • Výpočetní náročnost StockPicking Lab

    Výpočetní náročnost StockPicking Lab
    Využití strojového učení v oblasti kvantitativních investic se postupně dostává do popředí a jeho správné použití povzbuzuje mnohé k prozkoumání světa investování. Abychom vytvářeli tržní výhody a mohli tak umožnit našim uživatelům těšit se z procesu výběru těch správných akcií, vybíráme užitečná data, která jsou vhodná k tomu, aby nám poskytla nejen nástroj…

    Číst dál

  • Nové funkcionality SFA

    Nové funkcionality SFA
    Nasadili jsme novou verzi našeho software SFA (Summary of Financial Articles). Nově jsme přidali: filtrování článků dle data jejich vydání, od jednoho dne po neomezeně dlouhou historii. zjišťování sentimentu buď přímo na článcích o vybraných tickerech nebo všech článcích, kde jsou tickery (i okrajově) zmíněny. Věříme, že novinky dále přispějí…

    Číst dál

  • Diagnostika modelu prostřednictvím křivek učení

    Diagnostika modelu prostřednictvím křivek učení
    Křivky učení zobrazují změny ve výkonnosti učení v průběhu času. Prostřednictvím revize křivek učení v průběhu trénování modelu je možné diagnostikovat problémy spojené s overfittingem a underfittingem, tedy chybami v modelování. Zároveň lze diagnostikovat, zda jsou tréninkové a validační datasety dostatečně reprezentativní a využít je pro sledování zobecňujícího chování „generalization…

    Číst dál

  • Feature Selection

    Feature Selection
    V rámci výzkumu využitelného mimo jiné v aplikaci StockPicker jsme se v posledních dnech zabývali výběrem proměnných vstupujících do modelu. Když je proměnných moc, model má horší schopnost generalizovat a tím pádem je méně robustní a náchylnější k chybám. Metoda je podrobněji popsána v anglické verzi příspěvku. Potřebujete extrahovat informace z vašich dat, neváhejte se s námi poradit.…

    Číst dál

  • Feature Binning and Quantile Transformation

    Feature Binning and Quantile Transformation
    V rámci výzkumu využitelného mimo jiné v aplikaci StockPicker jsme v posledních dnech implementovali metodu úpravy dat Feature Binning and Quantile Transformation, abychom si lépe klasifikovali data. Naše machine learingové modely díky uprgadované přípravě dat nyní dosahují lepších výsledků. O co jde si můžete detailně prohlédnout v následujících řádcích. Potřebujete extrahovat informace z vašich…

    Číst dál

Další novinky naleznete na webu cyrrusadvisory.cz

Pokračovat na web