Discusión sobre el artículo "Redes neuronales en el trading: Framework de predicción cruzada de dominios de series temporales (TimeFound)"
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: Framework de predicción cruzada de dominios de series temporales (TimeFound):
Antes se usaban modelos estadísticos clásicos: ARIMA, el suavizado exponencial. Es más, incluso la regresión lineal a menudo daba frutos. Los argumentos sobre por qué el modelo debería ser más simple sonaban convincentes hasta que las redes neuronales profundas entraron en escena. Hoy en día, no solo están dando frutos, sino también recolectando una cosecha notable, sorprendente por la precisión y velocidad de procesamiento de terabytes de datos históricos.
No obstante, como cualquier arma poderosa, los modelos profundos tienen sus efectos secundarios. Para entrenarse, necesitan toda un yacimiento de datos etiquetados sobre una tarea específica. Sin esto, la red neuronal del Gran Hermano no funcionará. ¿Pero qué pasa si solo tenemos a nuestra disposición un pequeño fragmento de la historia o si el mercado recién ha comenzado a negociar? ¿Cómo podemos predecir el precio de un token recién emitido cuando el terminal de corretaje aún no ha acumulado datos? Aquí es donde entra en juego el concepto de Zero‑Shot Forecasting: este garantiza que el modelo funcionará allí donde los enfoques clásicos simplemente fallan.
Los investigadores de series temporales han establecido analogías con grandes modelos lingüísticos (Large Language Models). Los LLM famosos trabajan con éxito con textos: traducen, escriben poesía y responden preguntas. ¿Por qué no aplicar sus ideas a la previsión de tendencias de precios? Así nació el boom de los llamados Foundation Models para series temporales. Imagínese: un modelo universal al que no le importa si predice los precios de las acciones, el consumo de electricidad o la tasa de desempleo. Lo principal es entrenarlo correctamente con un conjunto de datos diverso.
Inspirados por esta fundamentalidad, los autores del artículo "TimeFound: A Foundation Model for Time Series Forecasting" presentaron un nuevo framework para la previsión de series temporales basado en la arquitectura del Transformer, el TimeFound. Para ello, tomaron las mejores ideas del mundo del NLP y las adaptaron a la previsión de series temporales.
Autor: Dmitriy Gizlyk