Discusión sobre el artículo "Redes neuronales en el trading: Pronóstico de series temporales con descomposición modal adaptativa (ACEFormer)"
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: Pronóstico de series temporales con descomposición modal adaptativa (ACEFormer):
Ya a finales del siglo XX se hicieron los primero intentos de construir modelos de predicción. Las arquitecturas de redes neuronales simples han demostrado que, en principio, es posible enseñar a los modelos a predecir los movimientos del mercado. No obstante, estos enfoques mostraban su incapacidad para retener información durante largos intervalos temporales y olvidaban rápidamente lo que había sucedido un poco antes.
Con la llegada de la arquitectura LSTM, la situación mejoró. Estos modelos, que poseen mecanismos de memoria, podían retener patrones importantes durante periodos temporales más largos. Se volvieron ampliamente utilizados en problemas de pronóstico de series temporales, pero incluso aquí no todo resultó sencillo. Las series financieras no son secuencias temporales ordinarias: son irregulares. A menudo carecen de uniformidad entre ticks, y contienen muchos picos de corto plazo que no aportan información significativa sobre la dirección de la tendencia.
El trading de alta frecuencia supone un problema particularmente grave. Esto crea el llamado ruido de mercado: múltiples fluctuaciones de los precios en intervalos temporales muy cortos. Estas fluctuaciones enmascaran tendencias reales, hacen que los datos resulten inestables y sobrecargan el modelo con eventos irrelevantes. Como resultado, incluso las arquitecturas complejas comienzan a centrarse no en lo que importa, sino en lo que simplemente distrae.
Para solucionar estos problemas, en el trabajo "An End-to-End Structure with Novel Position Mechanism and Improved EMD for Stock Forecasting", se propuso el framework ACEFormer, que es un algoritmo integrado para analizar series temporales de la bolsa de valores, especialmente adaptado a las condiciones de trading de alta frecuencia. No se trata simplemente de un modelo, sino de un sistema de componentes complementarios, cada uno de los cuales resuelve un problema específico: filtrado del ruido, consideración de los intervalos temporales y concentración de la atención en los cambios clave.
Autor: Dmitriy Gizlyk