Diskussion zum Artikel "Neuronale Netze im Handel: Ein Ensemble von Agenten mit Aufmerksamkeitsmechanismen (letzter Teil)"
Warum drucken sie solche schändlichen Artikel? Der Gewinn für den Monat beträgt 0,27 %, meine Katze, die sich aus Versehen auf die Pfote klopft, macht 50 Mal mehr.
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: Ein Ensemble von Agenten mit Aufmerksamkeitsmechanismen (letzter Teil) :
Um signifikante Preisverschiebungen zu erfassen, setzen die Agenten Richtungsfilter mit unterschiedlichen Schwellenwerten ein. Dies ermöglicht die Extraktion wichtiger Trendmerkmale aus den analysierten Preiszeitreihen und verbessert die Interpretation von Marktübergängen unterschiedlicher Intensität. Die vorgeschlagene Methode führt eine neuartige Technik zur Generierung von Sequenz-Token ein, die es den Modulen für die „cross-sectional attention“ (Querschnitts-Aufmerksamkeit, CSA) und die zeitliche Analyse (TA) ermöglicht, verschiedene Korrelationen effektiv zu erkennen. Bei der Rekonstruktion von Merkmalskarten werden die Sequenz-Token im Modul CSA auf der Grundlage individueller Asset-Indikatoren generiert und durch Aufmerksamkeitsmechanismen optimiert. Parallel dazu werden Tokens im Modul TA aus zeitlichen Merkmalen konstruiert, was es ermöglicht, sinnvolle Beziehungen über verschiedene Zeitpunkte hinweg zu identifizieren.
Die aus den Modulen CSA und TA abgeleiteten Korrelationsbewertungen von Vermögenswerten und Zeitpunkten werden dann von den MASAAT-Agenten mit Hilfe eines Aufmerksamkeitsmechanismus kombiniert, mit dem Ziel, Abhängigkeiten für jeden Vermögenswert in Bezug auf jeden Zeitpunkt über den Beobachtungszeitraum zu erkennen.
Die ursprüngliche Visualisierung des MASAAT-Rahmens ist unten zu sehen.
Das System von MASAAT weist eine klar definierte modulare Architektur auf. Dadurch ist es möglich, jedes Modul als unabhängige Klasse zu implementieren und die daraus resultierenden Objekte in eine einheitliche Struktur zu integrieren. Im vorigen Artikel haben wir die Implementierungsalgorithmen für das Multiagentenobjekt CNeuronPLRMultiAgentsOCL vorgestellt, das die analysierten multimodalen Zeitreihen in mehrskalige, stückweise lineare Darstellungen transformiert. Wir haben auch den Algorithmus des CSA-Moduls CNeuronCrossSectionalAnalysis überprüft. In diesem Artikel setzen wir diese Arbeit fort.
Autor: Dmitriy Gizlyk