Discusión sobre el artículo "Redes neuronales en el trading: Detección adaptativa de anomalías del mercado (DADA)"
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: Detección adaptativa de anomalías del mercado (DADA):
Los métodos actuales de detección de anomalías basados en el aprendizaje profundo han logrado avances significativos, pero muestran ciertas limitaciones. En la mayoría de los casos, estos enfoques requieren un entrenamiento independiente para cada nuevo conjunto de datos, lo cual dificulta su aplicación en el mundo real. Los datos financieros cambian constantemente y sus patrones históricos no siempre se repiten.
Uno de los principales retos es la diferente estructura de los datos en los distintos mercados. los algoritmos modernos normalmente utilizan autocodificadores para "recordar" el comportamiento normal del mercado, ya que las anomalías se encuentran con poca frecuencia. Sin embargo, si el modelo retiene demasiada información, empieza a considerar el ruido del mercado y la precisión de la detección de anomalías disminuye. Por el contrario, una compresión excesiva de los datos puede provocar la omisión de patrones importantes. La mayoría de los enfoques usan un grado de compresión fijo, lo que limita la adaptación de los modelos a las distintas condiciones del mercado.
Otra dificultad es la variedad de las anomalías. Muchos modelos se entrenan solo con datos normales, pero sin un conocimiento de las propias anomalías, estas son difíciles de detectar. Por ejemplo, una subida de precios puede suponer una anomalía en un mercado, pero ser normal en otro. En algunos activos, las anomalías se asocian a explosiones de liquidez repentinas, mientras que en otros, a correlaciones inesperadas. Por ello, el modelo puede omitir señales importantes o generar señales falsas con demasiada frecuencia.
Para abordar estos problemas, los autores del artículo "Towards a General Time Series Anomaly Detector with Adaptive Bottlenecks and Dual Adversarial Decoders" proponen el nuevo framework DADA, que utiliza compresión adaptativa de la información y dos descodificadores independientes. A diferencia de los métodos tradicionales, DADA es lo suficientemente flexible como para ajustarse a diferentes datos. En lugar de un nivel de compresión fijo, usa múltiples opciones y elige la más adecuada para cada caso. Esto ayuda a reconocer mejor las especificidades de los datos de mercado y a conservar patrones importantes.
Autor: Dmitriy Gizlyk