Discusión sobre el artículo "Redes neuronales en el trading: Transformador contrastivo de patrones"

Nuevo comentario
 

Artículo publicado Redes neuronales en el trading: Transformador contrastivo de patrones:

El transformador contrastivo de patrones analiza la situación del mercado tanto a nivel de velas individuales como de patrones completos, lo cual contribuye a mejorar la calidad de modelado de las tendencias del mercado, mientras que el uso del aprendizaje por contraste para emparejar las representaciones de velas y patrones conduce a la autorregulación y a la mejora de la precisión de la predicción.

Al analizar situaciones de mercado usando el aprendizaje automático, a menudo nos centramos en velas individuales y sus características, pasando por alto los patrones de velas, que con frecuencia pueden proporcionar información más significativa. Los patrones son estructuras de velas estables que se producen en condiciones de mercado similares y pueden contener regularidades críticas.

Antes ya nos familiarizamos con el marco Molformertomado del campo de la predicción de propiedades moleculares. Los autores de Molformer combinaron la representación de átomos y motivos en una única secuencia, lo cual les permitió proporcionar al modelo información sobre la estructura de los datos analizados. Al mismo tiempo, esto plantea el difícil problema de separar las dependencias entre nodos de distintos tipos. Sin embargo, existen métodos alternativos exentos de este problema.

Por ejemplo, el marco del Atom-Motif Contrastive Transformer(AMCT), presentado en el artículo "Atom-Motif Contrastive Transformer for Molecular Property Prediction". Para combinar los dos niveles de interacción y mejorar la capacidad de representación molecular, los autores del AMCT propusieron construir un aprendizaje átomo-motivo contrastado. Como las representaciones de los átomos y los motivos de una molécula son en realidad dos representaciones diferentes de la misma instancia, estas se alinean de forma natural durante el proceso de aprendizaje. De este modo, pueden ofrecer de forma cooperativa señales de autocontrol y aumentar así la fiabilidad de la representación molecular aprendida.


Autor: Dmitriy Gizlyk

 
Gracias por su esfuerzo, espero impaciente su próximo artículo.
 
Después de resolver el error de compilación, hay un error probador, toda la cabeza se quema, no puede averiguar dónde resolver el problema
Nuevo comentario