Список проголосовавших за комментарий "<p>На мой взгляд это больше зависит от реализуемой модели. Если модель сводится по сути к поиску аномалий или фильтрации цены/объема — типичных вещей с которыми работают тех.индикаторы — то конечно емкость настраиваемых весов сети гораздо выше чем у других способов определения состояния по параметрам (ака марковская цепь и решение её через дерево решений «случайный лес» например). Но насколько хорошо работает этот метод? Ведь по сути он как лупа/фильтр найти признаки действия тех, кто владеет какой-то внешней информацией, по отношению к цене/объему. А предсказание, это найти эти признаки пораньше в шуме.</p><p><span>Но если есть источник внешних данных для обучения коррелирующий с информацией влияющей на цену/объем, то другие решения могут быть и эффективней, просто в силу того, что меньше параметров надо оптимизировать. А значит потери на оптимизации будут ниже. А в нейронной сети полно чего можно оптимизировать. Сейчас просто принято брать самую сложную архитектуру, с самой сложной моделью обучения, с самым сложным нейроном, с самой сложной функцией оптимизации потерь и предоптимизации параметров.</span></p><p><span>Имхо здесь входные данные и скорость их получения могут быть более важны. А без них, читал давеча статью, в научном журнале, как раз про предсказание на НС — 50% прибыли на акция APPL за год на минутных данных. Только они выросли за этот год на 65%. Т.е. про модели информации полно, а вот про данные...</span></p><p><span>Хотя на малых таймфреймах внешняя информация наверное не даст ничего.</span></p>"