Diskussion zum Artikel "Neuronale Netze im Handel: Verwenden von Sprachmodellen 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: Verwenden von Sprachmodellen für die Zeitreihenprognose :
Wir untersuchen weiterhin Modelle zur Zeitreihenprognose. In diesem Artikel machen wir uns mit einem komplexen Algorithmus vertraut, der auf der Verwendung eines vortrainierten Sprachmodells basiert.
Die Autoren des Artikels „TEMPO: Prompt-based Generative Pre-trained Transformer for Time Series Forecasting“ wenden sich der kritische Herausforderung zu, große, vorab trainierte Modelle für die Zeitreihenprognose anzupassen. Sie schlagen TEMPO vor, ein umfassendes, auf GPTbasierendes Modell, das für effektives Lernen der Zeitreihendarstellung entwickelt wurde. TEMPO besteht aus zwei wesentlichen Analysekomponenten: Die eine konzentriert sich auf die Modellierung spezifischer Zeitreihenmuster wie Trends und Saisonalität, die andere zielt darauf ab, mithilfe eines prompten Ansatzes allgemeinere Erkenntnisse aus intrinsischen Dateneigenschaften abzuleiten. Insbesondere zerlegt TEMPO zunächst die ursprünglichen multimodalen Zeitreihendaten in drei Komponenten: Trend, Saisonalität und Residuen. Jede Komponente wird dann in einen entsprechenden latenten Raum abgebildet, um die anfängliche Zeitreiheneinbettung für GPT zu erstellen.
Die Autoren führen eine formale Analyse durch, die den Zeitreihenbereich mit dem Frequenzbereich verknüpft, um die Notwendigkeit der Zerlegung solcher Komponenten für die Zeitreihenanalyse hervorzuheben. Sie zeigen auch theoretisch, dass der Aufmerksamkeitsmechanismus Schwierigkeiten hat, diese Zerlegung automatisch durchzuführen.
TEMPO verwendet Eingabeaufforderungen, die zeitliches Wissen über Trends und Saisonalität kodieren und so GPT effektiv für Prognoseaufgaben optimieren. Darüber hinaus werden Trend, Saisonalität und Residuen verwendet, um eine interpretierbare Struktur zum Verständnis der Interaktionen zwischen den ursprünglichen Komponenten bereitzustellen.
Autor: Dmitriy Gizlyk