Diskussion zum Artikel "Neuronale Netze im Handel: Leichtgewichtige Modelle für die Zeitreihenprognose"
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 im Handel: Leichtgewichtige Modelle für die Zeitreihenprognose :
Leichtgewichtige Modelle zur Zeitreihenprognose erzielen eine hohe Leistung mit einer minimalen Anzahl von Parametern. Dies wiederum reduziert den Rechenaufwand und beschleunigt die Entscheidungsfindung. Trotz ihrer Einfachheit erreichen solche Modelle eine mit komplexeren Modellen vergleichbare Prognosequalität.
Die Grundlage präziser langfristiger Zeitreihenprognosen liegt in der inhärenten Periodizität und den Trends der Daten. Darüber hinaus ist seit langem bekannt, dass die Preisbewegungen von Währungspaaren eng mit bestimmten Handelssitzungen zusammenhängen. Wenn beispielsweise eine Zeitreihe täglicher Sequenzen zu einer bestimmten Tageszeit diskretisiert wird, weist jede Teilsequenz ähnliche oder sequenzielle Trends auf. Dabei werden Periodizität und Trend der ursprünglichen Abfolge zerlegt und transformiert. Periodische Muster werden in Inter-Subsequenz-Dynamik umgewandelt, während Trendmuster als Intra-Subsequenz-Charakteristiken neu interpretiert werden. Diese Zerlegung eröffnet neue Möglichkeiten für die Entwicklung leichter Modelle für die Prognose langfristiger Zeitreihen, ein Ansatz, der in dem Artikel „ SparseTSF: Modellierung langfristiger Zeitreihenprognosen mit 1.000 Parametern" erklärt wurde.
In ihrer Arbeit untersuchen die Autoren möglicherweise zum ersten Mal, wie Periodizität und Datenzerlegung genutzt werden können, um spezialisierte, leichtgewichtige Zeitreihenprognosemodelle zu erstellen. Dieser Ansatz ermöglicht es ihnen, SparseTSF vorzuschlagen, ein extrem leichtgewichtiges Modell für die Prognose langfristiger Zeitreihen.
Die Autoren stellen eine technische Methode zur zeitraumübergreifenden spärlichen (sparse) Prognose vor. Zunächst werden die Eingabedaten in Sequenzen mit konstanter Periodizität aufgeteilt. Anschließend wird für jede heruntergesampelte Teilfolge eine Vorhersage durchgeführt. Somit vereinfacht sich das ursprüngliche Problem der Prognose von Zeitreihen auf das Problem der Prognose des Trends zwischen den Perioden.
Autor: Dmitriy Gizlyk