Diskussion zum Artikel "Data Science und ML (Teil 48): Sind Transformer für das Trading wirklich relevant?"
Der Artikel „Maschinelles Lernen und Data Science (Teil 48): Wie wichtig sind Transformer für den Handel?“ wurde veröffentlicht:
Autor: Omega J Msigwa
„Das Basismodell
Dies ist ein Modell, das den letzten bekannten Wert der Zielvariablen zur Erstellung einer Prognose verwendet. Damit erhalten wir einen einfachen Richtwert, den wir übertreffen wollen.“
Die korrekte Basisprognose für eine stationäre Zeitreihe ohne Autokorrelationen ist der Mittelwert dieser Zeitreihe.
Für eine nichtstationäre Zeitreihe (vom Typ „Zufallsbewegung“) ist die korrekte Basisprognose der letzte Wert.
In unserem Fall ist die Zielvariable die Preiszuwachsrate, die Reihe ist annähernd stationär; daher hätte das Modell mit der Prognose auf Basis des Mittelwerts und nicht auf Basis des letzten Wertes verglichen werden müssen.
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Neuer Artikel Data Science und ML (Teil 48): Sind Transformer für das Trading wirklich relevant? :
Beim Deep Learning ist ein Transformer eine künstliche neuronale Netzarchitektur, die auf dem Mechanismus der Multi-Head-Attention basiert. Diese Architektur wurde erstmals 2017 in dem von acht Google-Forschern verfassten Papier „Attention Is All You Need“ vorgestellt. In dem Papier wurde ein neues Modell vorgestellt, das auf dem ursprünglich von Bahdanau et al. 2014 vorgeschlagenen Attention-Mechanismus aufbaut und weithin als grundlegender Beitrag zur modernen künstlichen Intelligenz angesehen wird.
Transformer haben in verschiedenen Bereichen bemerkenswerte Erfolge erzielt. Im Rahmen der Verarbeitung natürlicher Sprache (NLP) haben sie ihre Fähigkeiten bei der Sprachübersetzung, der Sentimentanalyse und der Textzusammenfassung unter Beweis gestellt. Auch für Bildverarbeitungsaufgaben wurden Transformer erfolgreich angepasst und etwa für Bildklassifikation und Objekterkennung eingesetzt. Darüber hinaus erstreckt sich ihre Effektivität auch auf die Zeitreihenanalyse, wo sie aufgrund ihrer einzigartigen Fähigkeit, langfristige Abhängigkeiten zu erfassen, für die Vorhersage sequenzieller Daten geeignet sind, was sich bei Aufgaben wie der Vorhersage von Aktienkursen oder der Vorhersage von Wettermustern zeigt.
Autor: Omega J Msigwa