Discusión sobre el artículo "Redes neuronales: así de sencillo (Parte 91): Previsión en el dominio de la frecuencia (FreDF)"
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Artículo publicado Redes neuronales: así de sencillo (Parte 91): Previsión en el dominio de la frecuencia (FreDF):
Vamos a continuar con el tema del análisis y la previsión de series temporales en el dominio de la frecuencia. En este artículo, introduciremos un nuevo método de predicción en el dominio de la frecuencia que puede añadirse a muchos de los algoritmos que hemos estudiado anteriormente.
Recientemente, los modelos basados en la arquitectura del Transformer que utilizan mecanismos de Self-Attention para estimar dinámicamente la autocorrelación han ido ganando popularidad. Al mismo tiempo, ha aumentado el interés por el uso del análisis de frecuencias en los modelos de previsión. Al representar la secuencia de datos de origen en el dominio de la frecuencia, podemos obviar la complejidad de la descripción de la autocorrelación, lo cual mejora la eficacia de diversos modelos.
Otro aspecto importante es la autocorrelación en la secuencia de valores predichos. Al fin y al cabo, está claro que los valores predichos forman parte de una serie temporal más amplia que incluye las secuencias analizadas y predichas. Por consiguiente, los valores predichos conservan las dependencias de los datos analizados. Pero este fenómeno suele ignorarse en los métodos modernos de previsión. En particular, los métodos más avanzados usan predominantemente el paradigma de Previsión Directa (Direct Forecast — DF), que genera previsiones multietapa de forma simultánea. Y esto supone implícitamente la independencia de los pasos en la secuencia de valores predichos. Dicho desajuste entre las hipótesis del modelo y las características de los datos provoca una calidad de previsión subóptima.
Una solución al problema indicado se propuso en el artículo "FreDF: Learning to Forecast in Frequency Domain". En él, los autores proponen un método de predicción directa mejorada en el dominio de la frecuencia (FreDF). Este método afina el paradigma DF alineando los valores predichos y la secuencia de etiquetas en el dominio de la frecuencia. Al pasar al dominio de la frecuencia, donde las bases son ortogonales e independientes, se reduce eficazmente la influencia de la autocorrelación. De esta forma, el FreDF sortea la discrepancia entre el supuesto de DFy la existencia de autocorrelación de etiquetas, al tiempo que conserva las ventajas del DF.
Los autores del método comprueban su eficacia en una serie de experimentos que demuestran una significativa superioridad del enfoque propuesto sobre los métodos más avanzados.
Autor: Dmitriy Gizlyk