Discusión sobre el artículo "Redes neuronales en el trading: Modelo de doble atención para la previsión de tendencias"

Nuevo comentario
 

Artículo publicado Redes neuronales en el trading: Modelo de doble atención para la previsión de tendencias:

Continuamos la conversación sobre el uso de la representación lineal por partes de las series temporales iniciada en el artículo anterior. Y hoy hablaremos de la combinación de este método con otros enfoques del análisis de series temporales para mejorar la calidad de la previsión de la tendencia del movimiento de precios.

Existen numerosos estudios sobre la previsión y el análisis de series temporales financieras. Los métodos estadísticos de análisis suelen suponer que las series temporales se generan mediante procesos lineales, lo cual hace que su rendimiento en la previsión no lineal resulte deficiente. Los métodos de aprendizaje automático y aprendizaje profundo han demostrado tener más éxito en la modelación de series temporales financieras gracias a su capacidad de representación no lineal. Ya han sido muchas las investigaciones realizadas para extraer características en momentos concretos y utilizarlas para modelar y predecir resultados. Sin embargo, estos enfoques ignoran las interacciones entre los datos y la continuidad a corto plazo de las fluctuaciones.

Para rellenar estas lagunas, en el artículo "A Dual-Attention-Based Stock Price Trend Prediction Model With Dual Features" se propuso un método de extracción de datos dual. Dicho método se basa tanto en puntos temporales únicos como en puntos temporales múltiples, y combina características de mercado a corto plazo con características temporales a largo plazo para mejorar la precisión de las previsiones. El modelo propuesto se basa en la arquitectura "Codificador-Decodificador" y utiliza un mecanismo de atención en las etapas de codificación y decodificación para identificar las características más relevantes en series temporales largas.

En este artículo veremos un nuevo modelo de predicción de tendencias bursátiles, el Trend Prediction Model, o TPM, que utiliza mecanismos de extracción dual de características y atención dual. El objetivo del modelo TPM será predecir la dirección y la duración de los movimientos de las cotizaciones bursátiles. Los autores del método destacan las siguientes aportaciones principales de los planteamientos propuestos:

  1. Un nuevo método dual de extracción de características basado en distintos rangos temporales que extrae eficazmente información importante del mercado y optimiza los resultados de las previsiones. El TPM usa el método de regresión lineal por partes y la red neuronal convolucional para extraer las características de mercado a largo y corto plazo de las series temporales financieras, respectivamente. La descripción de la información de mercado con ayuda de características duales mejora el rendimiento del modelo de previsión.
  2. Un modelo de predicción de tendencias bursátiles (TPM) que utiliza el marco "Codificador-Decodificador" y un mecanismo de atención dual. La adición de mecanismos de atención en las etapas de codificación y descodificación permite al modelo TPM seleccionar de forma adaptativa las características de mercado a corto plazo más relevantes y combinarlas con características temporales a largo plazo para hacer las previsiones más precisas.

Autor: Dmitriy Gizlyk

Nuevo comentario