Diskussion zum Artikel "Neuronale Netze im Trading: Ein domänenübergreifendes Framework für die Zeitreihenprognose (TimeFound)"
Guten Tag, Dmitri Gizlyk, ich hoffe, es geht Ihnen sehr gut.
In welcher Datei haben Sie die Klasse „CNeuronTimeFoundPatching“ implementiert?
Ich verstehe das nicht ganz – vielleicht befindet sie sich bereits in einem der Ordner des ZIP-Archivs, oder es handelt sich um etwas, das noch nicht als Teil der Dateien zu diesem Artikel hochgeladen wurde.
Dieser Ansatz ist sehr interessant, ich hoffe, die nächsten Teile bald zu sehen (auf Spanisch, meiner Muttersprache). Herzliche Grüße.
Könnten Sie (sofern möglich) genauer angeben, welche Bibliotheken den Code ergänzen, da beim Versuch, eine beliebige Datei zu kompilieren, viele Abhängigkeiten fehlen
(es sind nur die „EXPERTS“-Dateien vorhanden, aber möglicherweise fehlen andere Dateien, zum Beispiel aus dem Verzeichnis „include“).
Hallo Dmitry Gizlyk, ich hoffe, es geht dir gut.
In welcher Datei hast du die Klasse „CNeuronTimeFoundPatching“ implementiert?
Ich verstehe das nicht ganz – vielleicht befindet sie sich bereits in einem der Ordner der ZIP-Datei, oder es handelt sich um etwas, das noch nicht als Teil der Dateien zu diesem Artikel hochgeladen wurde.
Ein sehr interessanter Ansatz, ich freue mich schon auf die nächsten Teile (auf Spanisch, meiner Muttersprache). Viele Grüße.
Guten Nachmittag, Miguel.
Die Klasse „CNeuronTimeFoundPatching“ ist in der Bibliothek „NeuroNet.mqh“ enthalten.
Könnten Sie (sofern möglich) genauer angeben, welche Bibliotheken den Code ergänzen, da beim Versuch, eine beliebige Datei zu kompilieren, viele Abhängigkeiten fehlen?
(es sind nur die „EXPERTS“-Dateien vorhanden, aber möglicherweise fehlen andere Dateien, zum Beispiel aus dem Verzeichnis „include“).
- dng
- forge.mql5.io
- 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 Neuronale Netze im Trading: Ein domänenübergreifendes Framework für die Zeitreihenprognose (TimeFound) :
In der Vergangenheit fanden klassische statistische Modelle – wie ARIMA und die exponentielle Glättung – breite Anwendung. Wenn man darüber nachdenkt, hat sich sogar die lineare Regression oft als nützlich erwiesen. Die Argumente dafür, warum das Modell einfacher sein sollte, klangen überzeugend – bis tiefe neuronale Netze ins Spiel kamen. Heute tragen sie nicht nur Früchte – sie fahren ganze Ernten ein und beeindrucken durch ihre Genauigkeit und Geschwindigkeit bei der Verarbeitung von Terabytes historischer Daten.
Doch wie jede mächtige Waffe haben auch Deep-Learning-Modelle ihre eigenen Nebenwirkungen. Um sie zu trainieren, benötigen sie eine enorme Menge gelabelter Daten für eine bestimmte Aufgabe. Ohne diese Daten wird der Big Brother in Form eines neuronalen Netzes nicht funktionieren. Aber was sollten Sie tun, wenn Sie nur über eine begrenzte Menge an historischen Daten verfügen oder wenn der Handel an diesem Markt gerade erst begonnen hat? Wie lässt sich der Kurs eines neu emittierten Tokens vorhersagen, für den das Broker-Terminal noch nicht genügend Daten sammeln konnte? An dieser Stelle kommt das Konzept der Zero-Shot-Prognose ins Spiel – eine Garantie dafür, dass das Modell dort funktioniert, wo klassische Ansätze einfach machtlos sind.
Forscher auf dem Gebiet der Zeitreihenanalyse haben Parallelen zu Large Language Models gezogen. Die bekannten LLMs arbeiten erfolgreich mit Text: Sie übersetzen, verfassen Gedichte und beantworten Fragen. Warum sollten wir ihre Ideen nicht auf die Zeitreihenprognose von Preistrends anwenden? So entstand der Boom um sogenannte Foundation Models für Zeitreihen. Stellen Sie sich Folgendes vor: ein einziges, universelles Modell – ganz gleich, ob es Aktienkurse, den Stromverbrauch oder die Arbeitslosenquote prognostiziert. Entscheidend ist, das Modell anhand eines vielfältigen Datensatzes richtig zu trainieren.
Inspiriert von dieser grundlegenden Idee stellten die Autoren des Artikels „TimeFound: A Foundation Model for Time Series Forecasting“ TimeFound vor, ein neues Framework, das auf der Transformer-Architektur basiert, als Grundlage für die Zeitreihenprognose. Sie haben die besten Ideen aus der Welt des NLP übernommen und sie für die Zeitreihenprognose angepasst.
Autor: Dmitriy Gizlyk