Volatilita kryptoměn vykazuje shlukování, tedy období zvýšené a snížené volatility, což ovlivňuje řízení rizik, alokaci kapitálu a exekuci obchodů. Modely…
Číst
Supervizované a nesupervizované učení
Supervizované učení využívá označená data k predikci výstupních proměnných, zatímco nesupervizované odhaluje strukturu neoznačených dat. Obě metody mají odlišné cíle,…
Číst
Volatilita v kryptoměnách: shlukování, předvídatelnost a dopady na řízení rizik
Volatilita kryptoměn vykazuje clustering, tedy shlukování období vysoké a nízké variability, což umožňuje částečnou předvídatelnost rizika. To vyžaduje dynamické řízení…
Číst
Supervizované a nesupervizované učení: Rozdíly v tréninkových datech
Supervizované učení využívá párovaná data se štítky k predikci výstupních proměnných, zatímco nesupervizované učení odhaluje strukturu nevštítkovaných dat. Obě metody…
Číst
