Das Extralonger-Framework veranschaulicht einen Ansatz zur Integration räumlicher und zeitlicher Faktoren in ein einziges Modell, wodurch es möglich wird, sowohl lokale Muster als auch langfristige Zyklen gleichzeitig zu berücksichtigen. Diese Architektur macht Zeitreihenprognosen widerstandsfähiger gegenüber Marktrauschen und ermöglicht die Datenanalyse über verschiedene Zeithorizonte hinweg. Der Artikel befasst sich eingehend damit, wie diese Ideen mithilfe von OpenCL und MQL5 in die Praxis umgesetzt werden.
In der Verkehrsforschung werden die Daten als Netzwerk dargestellt, in dem die Knoten Messstationen sind und die Kanten die Beziehungen zwischen ihnen widerspiegeln. In der Finanzwelt spielen Vermögenswerte, Börsen, Broker und Handelsplattformen eine ähnliche Rolle, wobei Informationen und Kapital ständig zwischen ihnen zirkulieren. Während in einem Straßennetz das Signal aus Fahrzeugströmen besteht, sind in Finanzsystemen die entsprechenden Signale Preise, Volumina, Liquidität und das Verhalten der Marktteilnehmer. In beiden Fällen besteht die Aufgabe darin, historische Daten zu untersuchen, Muster in der räumlich-zeitlichen Dynamik zu erkennen und eine Prognose für die Zukunft zu erstellen.
Herkömmliche Ansätze zur Lösung solcher Probleme basierten darauf, die räumlichen und zeitlichen Komponenten getrennt zu betrachten. In der Verkehrsforschung bedeutete dies, Verkehrszeitreihen unabhängig von der Topologie des Straßennetzes zu analysieren. Im Finanzwesen konzentrierten sich ähnliche Methoden entweder auf die zeitliche Dynamik von Kursreihen oder auf strukturelle Korrelationen zwischen Vermögenswerten. Eine solche Lücke zwischen Raum und Zeit führt zu erheblichen Einschränkungen: Algorithmen werden übermäßig ressourcenintensiv, und ihre Fähigkeit, langfristige Vorhersagen zu treffen, nimmt drastisch ab.
Die größte Herausforderung besteht darin, dass die Verarbeitung zeitlicher Merkmale wiederholte Iterationen über räumliche Beziehungen erfordert. Gleichzeitig erfordert die Analyse der strukturellen Abhängigkeiten zwischen Knoten mehrere Durchläufe entlang der Zeitachse. Infolgedessen ist die Rechenkomplexität um eine Größenordnung höher als bei Aufgaben der reinen Zeitreihenprognose. Wenn wir dazu noch die rasant wachsenden Datenmengen hinzurechnen, die für Verkehrssysteme und Finanzmärkte charakteristisch sind, wird deutlich, dass es ohne einen grundlegend neuen Ansatz praktisch unmöglich ist, über einen Horizont von wenigen Stunden oder wenigen Zeitschritten hinauszublicken.
Eine mögliche Lösung für dieses Problem wurde von den Autoren des Artikels „Extralonger: Toward a Unified Perspective of Spatial-Temporal Factors for Extra-Long-Term Traffic Forecasting“ vorgeschlagen. Die Autoren lassen sich von Albert Einsteins Vorstellungen über die Untrennbarkeit von Raum und Zeit inspirieren und vertreten die Auffassung, dass räumliche und zeitliche Faktoren untrennbar und gleichzeitig berücksichtigt werden müssen. Diese Idee spiegelt sich im Konzept der einheitlichen räumlich-zeitlichen Repräsentation wider – einer einheitlichen räumlich-zeitlichen Repräsentation, die eine künstliche Trennung der Daten in zeitliche und räumliche Komponenten überflüssig macht. In jedem Zeitschritt sind räumliche Informationen enthalten, und an jedem Netzwerkknoten sind zeitliche Informationen enthalten.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Erlauben Sie die Verwendung von Cookies, um sich auf der Website MQL5.com anzumelden.
Bitte aktivieren Sie die notwendige Einstellung in Ihrem Browser, da Sie sich sonst nicht einloggen können.
Sie sind angemeldet. Die Zwei-Faktor-Authentifizierung wurde deaktiviert. Richten Sie sie erneut ein und scannen Sie einen neuen QR-Code oder fahren Sie mit deaktivierter Zwei-Faktor-Authentifizierung fort.
Neuer Artikel Neuronale Netze im Handel: Eine einheitliche Betrachtung von Raum und Zeit (Extralonger) :
In der Verkehrsforschung werden die Daten als Netzwerk dargestellt, in dem die Knoten Messstationen sind und die Kanten die Beziehungen zwischen ihnen widerspiegeln. In der Finanzwelt spielen Vermögenswerte, Börsen, Broker und Handelsplattformen eine ähnliche Rolle, wobei Informationen und Kapital ständig zwischen ihnen zirkulieren. Während in einem Straßennetz das Signal aus Fahrzeugströmen besteht, sind in Finanzsystemen die entsprechenden Signale Preise, Volumina, Liquidität und das Verhalten der Marktteilnehmer. In beiden Fällen besteht die Aufgabe darin, historische Daten zu untersuchen, Muster in der räumlich-zeitlichen Dynamik zu erkennen und eine Prognose für die Zukunft zu erstellen.
Herkömmliche Ansätze zur Lösung solcher Probleme basierten darauf, die räumlichen und zeitlichen Komponenten getrennt zu betrachten. In der Verkehrsforschung bedeutete dies, Verkehrszeitreihen unabhängig von der Topologie des Straßennetzes zu analysieren. Im Finanzwesen konzentrierten sich ähnliche Methoden entweder auf die zeitliche Dynamik von Kursreihen oder auf strukturelle Korrelationen zwischen Vermögenswerten. Eine solche Lücke zwischen Raum und Zeit führt zu erheblichen Einschränkungen: Algorithmen werden übermäßig ressourcenintensiv, und ihre Fähigkeit, langfristige Vorhersagen zu treffen, nimmt drastisch ab.
Die größte Herausforderung besteht darin, dass die Verarbeitung zeitlicher Merkmale wiederholte Iterationen über räumliche Beziehungen erfordert. Gleichzeitig erfordert die Analyse der strukturellen Abhängigkeiten zwischen Knoten mehrere Durchläufe entlang der Zeitachse. Infolgedessen ist die Rechenkomplexität um eine Größenordnung höher als bei Aufgaben der reinen Zeitreihenprognose. Wenn wir dazu noch die rasant wachsenden Datenmengen hinzurechnen, die für Verkehrssysteme und Finanzmärkte charakteristisch sind, wird deutlich, dass es ohne einen grundlegend neuen Ansatz praktisch unmöglich ist, über einen Horizont von wenigen Stunden oder wenigen Zeitschritten hinauszublicken.
Eine mögliche Lösung für dieses Problem wurde von den Autoren des Artikels „Extralonger: Toward a Unified Perspective of Spatial-Temporal Factors for Extra-Long-Term Traffic Forecasting“ vorgeschlagen. Die Autoren lassen sich von Albert Einsteins Vorstellungen über die Untrennbarkeit von Raum und Zeit inspirieren und vertreten die Auffassung, dass räumliche und zeitliche Faktoren untrennbar und gleichzeitig berücksichtigt werden müssen. Diese Idee spiegelt sich im Konzept der einheitlichen räumlich-zeitlichen Repräsentation wider – einer einheitlichen räumlich-zeitlichen Repräsentation, die eine künstliche Trennung der Daten in zeitliche und räumliche Komponenten überflüssig macht. In jedem Zeitschritt sind räumliche Informationen enthalten, und an jedem Netzwerkknoten sind zeitliche Informationen enthalten.
Autor: Dmitriy Gizlyk