Diskussion zum Artikel "Datenwissenschaft und ML (Teil 46): Aktienmarktprognosen mit N-BEATS in Python"

Neuer Kommentar
 

Neuer Artikel Datenwissenschaft und ML (Teil 46): Aktienmarktprognosen mit N-BEATS in Python :

N-BEATS ist ein revolutionäres Deep-Learning-Modell, das für die Prognose von Zeitreihen entwickelt wurde. Es wurde veröffentlicht, um die klassischen Modelle für Zeitreihenprognosen wie ARIMA, PROPHET, VAR usw. zu übertreffen. In diesem Artikel werden wir dieses Modell erörtern und es für die Vorhersage des Aktienmarktes verwenden.

N-BEATS (Neural Basis Expansion Analysis for Time Series) ist ein Deep-Learning-Modell, das speziell für die Prognose von Zeitreihen entwickelt wurde. Es bietet einen flexiblen Rahmen für univariate und multivariate Prognoseaufgaben.

Es wurde von Forschern von Element AI (jetzt Teil von ServiceNow) im Jahr 2019 in dem Artikel „N-BEATS: Neural basis expansion analysis for interpretable time series forecasting.“ vorgestellt.

Die Entwickler von Element AI haben dieses Modell entwickelt, um die Dominanz klassischer statistischer Modelle wie ARIMA und ETS in Zeitreihen herauszufordern, ohne dabei die Fähigkeiten klassischer maschineller Lernmodelle zu beeinträchtigen.

Wir alle wissen, dass die Vorhersage von Zeitreihen eine schwierige Aufgabe ist. Deshalb verlassen sich Experten für maschinelles Lernen und Anwender manchmal auf Deep-Learning-Modelle wie RNNs, LSTMs usw., die häufig eingesetzt werden:

  • Überkompliziert für einige einfache Aufgaben.
  • Schwer zu interpretieren.
  • Trotz ihrer Komplexität sind sie nicht durchgängig besser als die statistischen Basiswerte.

Herkömmliche Modelle für Zeitreihenprognosen, wie ARIMA, sind für viele Aufgaben zu einfach.

Daher beschlossen die Autoren/Entwickler, ein Deep-Learning-Modell für Zeitreihenprognosen zu entwickeln, das gut funktioniert, interpretierbar ist und keine domänenspezifischen Anpassungen benötigt.


Autor: Omega J Msigwa

 
MetaQuotes:

Sehen Sie sich den neuen Artikel an: Datenwissenschaft und ML (Teil 46): Aktienmarktprognosen mit N-BEATS in Python.

Autor: Omega J Msigwa

Sehr guter Artikel, danke Omega.
Da er die schnelle Fourrier-Transformation für die Zerlegung verwendet, die es dem Modell ermöglicht, sowohl kurzfristige Saisonalität als auch langfristige Trends separat zu erfassen. Ist die Verwendung des Schlusskurses selbst als Eingabe oder Ausgabe für den N-BEATS-Algorithmus geeignet?

Neuer Kommentar