Diskussion zum Artikel "Neuronale Netze leicht gemacht (Teil 91): Vorhersage durch Frequenzbereiche (Frequency Domain Forecasting, FreDF)"
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 91): Vorhersage durch Frequenzbereiche (Frequency Domain Forecasting, FreDF) :
Wir fahren fort mit der Analyse und Vorhersage von Zeitreihen im Frequenzbereich. In diesem Artikel machen wir uns mit einer neuen Methode zur Vorhersage von Daten im Frequenzbereich vertraut, die zu vielen der bisher untersuchten Algorithmen hinzugefügt werden kann.
Zu den Modellen, die an Popularität gewinnen, gehören diejenigen, die auf der Transformer-Architektur basieren und Selbstaufmerksamkeits-Mechanismen (Self-Attention) für die dynamische Autokorrelationsschätzung verwenden. Außerdem ist ein zunehmendes Interesse an der Verwendung von Frequenzanalysen in Prognosemodellen zu beobachten. Die Darstellung der Sequenz von Eingabedaten im Frequenzbereich hilft, die Komplexität der Beschreibung der Autokorrelation zu vermeiden und verbessert die Effizienz verschiedener Modelle.
Ein weiterer wichtiger Aspekt ist die Autokorrelation in der Abfolge der vorhergesagten Werte. Natürlich sind die vorhergesagten Werte Teil einer größeren Zeitreihe, die die analysierten und vorhergesagten Sequenzen umfasst. Daher erhalten die vorhergesagten Werte die Korrelation der analysierten Daten. Dieses Phänomen wird jedoch bei modernen Prognosemethoden häufig ignoriert. Moderne Methoden verwenden vor allem das Paradigma der Direktprognose (DF), die gleichzeitig mehrstufige Prognosen erstellt. Dabei wird implizit davon ausgegangen, dass die Schritte in der Abfolge der vorhergesagten Werte unabhängig sind. Diese Diskrepanz zwischen Modellannahmen und Datenmerkmalen führt zu einer suboptimalen Prognosequalität.
Eine der Lösungen für dieses Problem wurde in der Publikation „FreDF: Learning to Forecast in Frequency Domain“ vorgeschlagen. Die Autoren des Papiers schlugen eine direkte Vorhersagemethode mit Frequenzverstärkung (FreDF) vor. Es verdeutlicht das DF-Paradigma, indem es die vorhergesagten Werte und die Abfolge der Kennzeichen (labels) im Frequenzbereich abgleicht. Beim Wechsel in den Frequenzbereich, wo die Basen orthogonal und unabhängig sind, wird der Einfluss der Autokorrelation wirksam reduziert. So bekämpft FreDF die Inkonsistenz zwischen der Annahme über DF und der Existenz von Autokorrelation von Kennzeichen, während die Vorteile von DF erhalten bleiben.
Die Autoren der Methode testeten ihre Wirksamkeit in einer Reihe von Experimenten, die die deutliche Überlegenheit des vorgeschlagenen Ansatzes gegenüber modernen Methoden zeigten.
Autor: Dmitriy Gizlyk