Discusión sobre el artículo "Redes neuronales en el trading: Previsión probabilística de series temporales (Codificador)"

[MetaQuotes]

Artículo publicado Redes neuronales en el trading: Previsión probabilística de series temporales (Codificador):

Le invitamos a explorar un nuevo enfoque que combina métodos clásicos y redes neuronales modernas para el análisis de series temporales. El artículo ofrece una descripción detallada de la arquitectura y los principios de funcionamiento del modelo K²VAE.

La principal ventaja del K²VAE es que no se limita a generar una predicción, sino que forma una distribución de probabilidad de los estados futuros del sistema. A diferencia de los modelos tradicionales, que se limitan a un único escenario probable, el resultado aquí es una gama de posibles desenlaces. Además, la amplitud de este rango depende del grado de confianza del modelo en el estado actual. Esto hace que el framework resulte particularmente útil en áreas donde es importante considerar el riesgo y la incertidumbre, como la previsión financiera, la logística o la gestión de sistemas técnicos.

Para comprender cómo se logra dicha flexibilidad y adaptabilidad, analicemos la arquitectura general del modelo. El diseño de K²VAE se puede dividir aproximadamente en tres componentes principales: El proceso de parcheo, el Codificador y el Decodificador tienen cada uno su propia función, pero están estrechamente relacionados entre sí.

1. El proceso de parcheo prepara los datos de origen y los convierte en una representación latente.
2. El Codificador es responsable de extraer el estado oculto Z de la serie temporal observada X. A diferencia de los VAE estándar, utiliza una estructura compleja que incluye:
• KoopmanNet, un análogo entrenable del operador de Koopman que predice la evolución de características latentes como un sistema lineal;
• Un módulo de atención que analiza las diferencias entre los valores reconstruidos y los reales, lo cual permite identificar los momentos en que el modelo diverge de la realidad;
• KalmanNet, una implementación de red neuronal híbrida del filtro de Kalman que genera una matriz de covarianza de incertidumbre basada en señales de control atencional;
• El VAE es un mecanismo que muestrea tokens futuros basándose en parámetros especificados por KalmanNet y KoopmanNet.
3. El Decodificador transforma las variables latentes de nuevo en variables observadas, reconstruyendo los valores predichos de la serie temporal. Además, para respetar la naturaleza probabilística del modelo, el Decodificador también se implementa como una estructura de red neuronal entrenable con dos salidas: el valor medio y la varianza. Esto nos permite modelar completamente la distribución de P (Y|Z) y tener en cuenta la incertidumbre del pronóstico.

A continuación le presentamos la visualización del framework K²VAE realizada por el autor.

Autor: Dmitriy Gizlyk