Diskussion zum Artikel "Neuronale Netze leicht gemacht (Teil 87): Zeitreihen-Patching"
Ich verfolge die Serie nun schon eine Weile, und sie ist sehr aufschlussreich.
Ich habe jedoch eine Frage: Wird die gesamte Serie am Ende als Buch veröffentlicht werden?
Timothy Walshak #:
Ich verfolge die Serie nun schon eine Weile, und sie ist sehr aufschlussreich.
Ich habe jedoch eine Frage: Wird die gesamte Serie am Ende als Buch veröffentlicht werden?
Hallo,
Dmitriy Gizlyk, der Autor dieser Serie, hat bereits ein Buch über neuronale Netzwerke im Handel geschrieben. Sie können es hier finden: https://www.mql5.com/en/neurobook. Sie können es gerne als pdf oder chm herunterladen.
Neural Networks in Algorithmic Trading – a practical guide to using machine learning for algo trading.
- www.mql5.com
In the era of digital technology and artificial intelligence, algorithmic trading is transforming financial markets, offering innovative strategies...
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Neuer Artikel Neuronale Netze leicht gemacht (Teil 87): Zeitreihen-Patching :
Die Vorhersage spielt eine wichtige Rolle in der Zeitreihenanalyse. Im neuen Artikel werden wir über die Vorteile des Zeitreihen-Patchings sprechen.
Die Architektur des Transformers, die ursprünglich aus dem Bereich der Verarbeitung natürlicher Sprache (NLP) stammt, hat ihre Vorteile in der Computer Vision (CV) bewiesen und wird erfolgreich in der Zeitreihenanalyse eingesetzt. Sein Self-Attention-Mechanismus, der automatisch Beziehungen zwischen Elementen einer Zeitreihe erkennen kann, ist zur Grundlage für die Erstellung effektiver Prognosemodelle geworden.
In dem Maße, in dem die für die Analyse verfügbaren Datenmengen wachsen und die Methoden des maschinellen Lernens verbessert werden, wird es möglich, genauere und effizientere Modelle für die Analyse von Zeitdaten zu entwickeln. Da die Komplexität der Zeitreihen jedoch zunimmt, müssen wir effizientere und weniger kostspielige Analysemethoden entwickeln, um genaue Prognosen zu erstellen und verborgene Muster zu erkennen.
Eine dieser Methoden ist Patch Time Series Transformer, PatchTST, die in dem Artikel „A Time Series is Worth 64 Words: Long-term Forecasting with Transformers“. Diese Methode basiert auf der Unterteilung von Zeitreihen in Segmente (Patches) und der Verwendung von Transformer zur Vorhersage zukünftiger Werte.
Autor: Dmitriy Gizlyk