Diskussion zum Artikel "Neuronale Netze im Trading: Zeitreihenprognose mittels adaptiver Modenzerlegung (ACEFormer)"
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 Trading: Zeitreihenprognose mittels adaptiver Modenzerlegung (ACEFormer) :
Bemühungen zur Entwicklung von Vorhersagemodellen reichen bis in das späte zwanzigste Jahrhundert zurück. Frühe neuronale Netzwerkarchitekturen zeigten, dass es prinzipiell möglich war, Modelle zur Vorhersage von Marktbewegungen zu trainieren. Diese Ansätze konnten jedoch Informationen über lange Zeiträume hinweg nicht speichern und konnten Ereignisse aus der jüngeren Vergangenheit nur unzureichend berücksichtigen.
Die Einführung von LSTM-Netzwerken verbesserte diese Situation. Dank ihrer Gedächtnismechanismen waren LSTM-Modelle in der Lage, wichtige Muster über längere Zeiträume hinweg zu bewahren. Sie fanden schnell weite Verbreitung bei der Zeitreihenprognose. Dennoch ist es nicht so einfach. Finanzzeitreihen unterscheiden sich von herkömmlichen sequenziellen Daten. Sie sind unregelmäßig, oft mit ungleichmäßigen Abständen zwischen den Ticks. Sie enthalten eine große Anzahl kurzlebiger Ausschläge, die kaum aussagekräftige Informationen über den zugrunde liegenden Markttrend enthalten.
Der Hochfrequenzhandel stellt eine besonders große Herausforderung dar. Er erzeugt das, was gemeinhin als Marktrauschen bezeichnet wird – wiederholte Kursschwankungen, die in extrem kurzen Zeitintervallen auftreten. Diese Schwankungen verdecken echte Trends, machen die Daten instabiler und überlasten Vorhersagemodelle mit unbedeutenden Ereignissen. Infolgedessen können selbst hochentwickelte neuronale Architekturen beginnen, sich auf ablenkende kurzfristige Variationen zu konzentrieren, anstatt auf die Informationen, die wirklich wichtig sind.
Um diese Herausforderungen anzugehen, stellt der Artikel „An End-to-End Structure with Novel Position Mechanism and Improved EMD for Stock Forecasting“ das ACEFormer-Framework vor – eine integrierte Architektur für die Analyse von Finanzzeitreihen, die speziell für Hochfrequenzhandelsumgebungen entwickelt wurde. Anstatt ein einzelnes Vorhersagemodell darzustellen, kombiniert ACEFormer mehrere komplementäre Komponenten, von denen jede eine eigene Aufgabe erfüllt: Rauschfilterung, Modellierung unregelmäßiger Zeitintervalle und selektive Aufmerksamkeit auf die informativsten Marktbewegungen.
Autor: Dmitriy Gizlyk