Diskussion zum Artikel "Neuronale Netze im Trading: Effektive Merkmalsextraktion für präzise Klassifikation (Objekterstellung)"
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: Effektive Merkmalsextraktion für präzise Klassifikation (Objekterstellung) :
Mantis spielt seine Stärken besonders dann aus, wenn es mehrkanalige Eingangsdaten erhält. Der im Rhythmus schwankende RSI, die Handelsvolumina, die gleitenden Durchschnitte und die Korrelationen zwischen den Währungspaaren ergeben ein komplexes Gesamtbild. Eine direkte Verkettung dieser Signale führt zu einer explosionsartigen Zunahme der Parameterzahl, während bei einer getrennten Verarbeitung die Querverbindungen verloren gehen. Die Mantis-Lösung besteht aus schlanken Adaptern, die kanalübergreifende Interaktionen komprimieren und dabei nur das Wesentliche übrig lassen: die Stärke der Beziehungen zwischen den Indikatoren. Das Modell spart Arbeitsspeicher, und der Trader spart Zeit bei der Konfiguration.
Um ein tieferes Verständnis der Architektur von Mantis zu gewinnen, gehen wir ihre einzelnen Schritte durch. Die erste Stufe ist die initiale Faltung: Eine Zeitreihe mit d Kanälen durchläuft eine Faltungsschicht mit 256 Ausgabekanälen, wodurch eine dichte Darstellung entsteht. Der Tensor wird anschließend in gleich große Teile unterteilt, und kanalweises Mean-Pooling wandelt diese Daten in 32 Token um, die jeweils lokale Informationen tragen.
Gleichzeitig wird ein Differenzstrom konstruiert: Differenzen erster Ordnung in den Eingangsdaten erhöhen die Empfindlichkeit gegenüber kurzfristiger Dynamik. Die daraus resultierenden Daten durchlaufen denselben Patching-Prozess.
Der dritte und der vierte Strom – die Statistikströme – erfassen den Mittelwert und die Standardabweichung der Quelldaten innerhalb derselben 32 Fenster und vermitteln so den allgemeinen Hintergrund von Volatilität und Niveau.
Diese vier Ströme durchlaufen einzelne lineare Projektoren, um ihre Dimensionen anzugleichen, und werden anschließend kombiniert und in globale Token einer vorgegebenen Größe projiziert.
Autor: Dmitriy Gizlyk