Discusión sobre el artículo "Redes neuronales en el trading: Modelos "ligeros" de pronóstico de series temporales"
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 en el trading: Modelos "ligeros" de pronóstico de series temporales:
Los modelos ligeros de pronóstico de series temporales logran un alto rendimiento utilizando un número mínimo de parámetros, lo que, a su vez, reduce el consumo de recursos computacionales y agiliza la toma de decisiones. De este modo consiguen una calidad de previsión comparable a la de modelos más complejos.
La base para una previsión precisa de series temporales a largo plazo reside en la periodicidad y la tendencia inherentes de los datos. Además, desde hace tiempo se viene observando que el movimiento de precios de los pares de divisas está estrechamente relacionado con las sesiones comerciales individuales. Por ejemplo, si discretizamos una serie temporal de secuencias diarias en un momento particular del día, cada subsecuencia exhibirá tendencias similares o consistentes. En este caso, la periodicidad y la tendencia de la secuencia original se descompone y transforma. Es decir, los patrones periódicos se transforman en dinámicas de inter-subsecuencias, mientras que los patrones de tendencia se reinterpretan como características de intra-subsecuencias. Esta descomposición abre nuevas perspectivas en el desarrollo de modelos ligeros para la previsión de series temporales a largo plazo, a las que prestaron atención los autores del artículo "SparseTSF: Modeling Long-term Time Series Forecasting with 1k Parameters".
En su artículo, son quizás los primeros en explorar cómo explotar esta periodicidad y descomposición en los datos para construir modelos especializados y ligeros de pronóstico de series temporales. Esto les permite proponer el algoritmo SparseTSF, un modelo extremadamente ligero para la previsión de series temporales a largo plazo.
Técnicamente, proponen un método de pronóstico disperso entre periodos. En primer lugar, los datos de origen se dividen en secuencias con periodicidad constante. Luego se realiza una predicción para cada subsecuencia con discretización reducida. De esta forma, el problema original de pronóstico de series temporales se reduce al problema de pronosticar la tendencia interperiodo.
Autor: Dmitriy Gizlyk