Discusión sobre el artículo "Redes neuronales en el trading: Segmentación periódica adaptativa (LightGTS)"
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: Segmentación periódica adaptativa (LightGTS):
La peculiaridad de las series temporales reside en su ritmo. A diferencia del texto, donde un token supone una palabra, la escala y la frecuencia son importantes aquí. Algunos datos llegan una vez por hora, otros, cada 15 minutos. Otros presentan estacionalidad diaria o semanal, otros trimestral o anual. Todo esto afecta al llamado periodo interno, un patrón repetitivo en los datos que es fundamental para una buena previsión. Además, cuando cambia la escala, cambia la duración del ciclo, y si el modelo no puede hacer frente a esto, su capacidad de generalización disminuye drásticamente.
El problema es que la mayoría de los modelos existentes usan una tokenización fija. Simplemente dividen los datos en fragmentos de igual longitud, sin considerar la escala y la estructura de los periodos. Esto provoca que algunos tokens se sobrecarguen de datos, mientras que otros se encuentran casi vacíos. La información se vuelve borrosa y los patrones repetitivos se ven interrumpidos. Esto se nota especialmente cuando se aplica a otra escala un modelo entrenado en una escala: la precisión de la predicción disminuye, lo cual requiere un aumento en el número de parámetros, lo que significa que el tiempo y el coste de entrenamiento aumentan.
Los autores del artículo "LightGTS: A Lightweight General Time Series Forecasting Model" decidieron no recurrir a la fuerza bruta, sino adoptar un enfoque más razonable, aprovechando las propiedades naturales de las series temporales: la invariancia de escala y la periodicidad. El resultado de su trabajo fue el framework LightGTS: ligero, eficiente y diseñado específicamente para tareas de previsión de series temporales en el mundo real. Su idea clave no es luchar contra la magnitud del problema, sino adaptarse a ella.
En lugar de dividir rígidamente en fragmentos idénticos, propusieron utilizar la tokenización periódica. El propio modelo divide de manera adaptativa los datos en secciones cuya longitud corresponde a un ciclo completo. Esto le permite captar patrones holísticos independientemente de la escala, ya sea un gráfico diario o uno de un minuto. La semántica dentro de un token permanece inalterada, lo cual significa que la representación de características se vuelve estable y portable entre diferentes tareas.
Autor: Dmitriy Gizlyk