Diskussion zum Artikel "Neuronale Netze im Handel: Zweidimensionale Verbindungsraummodelle (Chimera)"
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: Zweidimensionale Verbindungsraummodelle (Chimera) :
Klassische statistische Methoden erfordern eine umfangreiche Vorverarbeitung der Rohdaten und können komplexe nichtlineare Abhängigkeiten oft nicht angemessen erfassen. Tiefe neuronale Netzwerkarchitekturen haben eine hohe Ausdruckskraft bewiesen, aber die quadratische Rechenkomplexität von Transformer-basierten Modellen macht es schwierig, sie auf multivariate Zeitreihen mit einer großen Anzahl von Merkmalen anzuwenden. Darüber hinaus unterscheiden solche Modelle häufig nicht zwischen saisonalen und langfristigen Komponenten oder beruhen auf starren A-priori-Annahmen, was ihre Anpassungsfähigkeit an verschiedene praktische Szenarien einschränkt.
Ein Ansatz, der diese Probleme angeht, wurde in dem Papier „Chimera: Effectively Modeling Multivariate Time Series with 2-Dimensional State Space Models“ vorgeschlagen. Der Chimera-Rahmen ist ein zweidimensionales Zustandsraummodell (2D-SSM), das lineare Transformationen sowohl entlang der zeitlichen als auch der variablen Achse vornimmt. Chimera umfasst drei Hauptkomponenten: Zustandsraummodelle entlang der Zeitdimension, entlang der Variablendimension und dimensionsübergreifende Übergänge. Die Parametrisierung basiert auf kompakten diagonalen Matrizen, sodass sowohl klassische statistische Methoden als auch moderne SSM-Architekturen nachgebildet werden können.
Darüber hinaus beinhaltet Chimera eine adaptive Diskretisierung, um saisonale Muster und Merkmale dynamischer Systeme zu berücksichtigen.
Autor: Dmitriy Gizlyk