Discusión sobre el artículo "Redes neuronales en el trading: Modelo multivariado de extremo a extremo para la predicción de series temporales (GinAR)"
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: Modelo multivariado de extremo a extremo para la predicción de series temporales (GinAR):
La arquitectura del framework GinAR está construida según el esquema clásico Codificador → Decodificador. El Codificador es una pila de capas GinAR, mientras que el Decodificador se implementa usando como base un perceptrón multicapa (MLP). El elemento clave del sistema es la celda GinAR, un módulo construido sobre el principio del modelado recursivo. Cuando se le proporcionan datos incompletos, es decir, series temporales con variables faltantes, el modelo es capaz de predecir valores futuros de todas las variables simultáneamente, incluso aquellas para las que falta una historia completa.
Al diseñar la lógica interna de GinAR, los autores del framework propusieron reemplazar todas las capas totalmente conectadas en la estructura SRU recursiva clásica con dos componentes especializados: la IA (Interpolation Attention) y la AGCN (Adaptive Graph Convolution Network).
El primer componente reconstruye las variables faltantes usando información de los vecinos disponibles. En los mercados financieros, esto resulta especialmente importante: si faltan datos sobre activos clave, aunque sea parcialmente, el modelo puede perder precisión drásticamente. El mecanismo IA evita esto reconstruyendo representaciones significativas de las series temporales faltantes partiendo de las existentes y minimizando la influencia del ruido.
El segundo componente, AGCN, abandona los gráficos de dependencia fijos (por ejemplo, relaciones predefinidas entre activos, índices y sectores) y aprende una estructura gráfica adaptativa directamente durante el entrenamiento. Esto nos permite captar de forma flexible las relaciones espaciales entre variables, incluso si son variables o no evidentes.
El Codificador GinAR se implementa usando un esquema recursivo en el que, en cada paso de tiempo, la entrada son las características del momento actual y el estado interno del paso anterior. La célula GinAR los procesa, actualiza el estado y forma una representación oculta del paso de tiempo actual. Este enfoque nos permite recuperar simultáneamente los datos que faltan, reconstruir el grafo de dependencias y extraer patrones dinámicos, todo ello en un único módulo. Gracias a las conexiones residuales (skip connections), el modelo puede ser profundo sin perder estabilidad en el entrenamiento. Esto resulta especialmente importante en tareas de predicción de señales de mercado complejas, donde tanto las fluctuaciones a corto plazo como las tendencias a largo plazo son importantes.
Autor: Dmitriy Gizlyk