Discusión sobre el artículo "Aprendizaje automático y Data Science (Parte 46): Pronóstico de los mercados bursátiles con N-BEATS en Python"

Nuevo comentario
 

Artículo publicado Aprendizaje automático y Data Science (Parte 46): Pronóstico de los mercados bursátiles con N-BEATS en Python:

N-BEATS es un modelo revolucionario de aprendizaje profundo diseñado para la previsión de series temporales. Fue lanzado para superar los modelos clásicos de pronóstico de series temporales como ARIMA, PROPHET, VAR, etc. En este artículo vamos a analizar este modelo y a utilizarlo para predecir el mercado bursátil.

N-BEATS (Neural Basis Expansion Analysis for Time Series) es un modelo de aprendizaje profundo diseñado específicamente para la predicción de series temporales. Proporciona un marco flexible para tareas de pronóstico univariadas y multivariadas.

Fue presentado por investigadores de Element AI (que ahora forma parte de ServiceNow) en 2019, en el artículo N-BEATS: Neural basis expansion analysis for interpretable time series forecasting.

Los desarrolladores de Element AI crearon este modelo para desafiar el predominio de los modelos estadísticos clásicos como ARIMA y ETS, sin renunciar por ello a ciertas capacidades de los modelos clásicos de aprendizaje automático.

Todos sabemos que la predicción de series temporales es una tarea compleja, por lo que los expertos en aprendizaje automático y los usuarios recurren a veces a modelos de aprendizaje profundo como las RNN, las LSTM, etc., que suelen ser:

  • Demasiado complicados para algunas tareas sencillas.
  • Difícil de interpretar.
  • A pesar de su complejidad, no superan sistemáticamente los métodos de referencia estadísticos.

Mientras tanto, los modelos tradicionales para la previsión de series temporales, como ARIMA, suelen ser demasiado simples para muchas tareas.

Así pues, los autores/desarrolladores decidieron crear un modelo de aprendizaje profundo para la predicción de series temporales que funcionara bien, fuera interpretable y no necesitara ajustes específicos del dominio.


Autor: Omega J Msigwa

 
MetaQuotes:

Echa un vistazo al nuevo artículo: Ciencia de datos y aprendizaje automático (Parte 46): Previsión de los mercados bursátiles mediante N-BEATS en Python.

Autor: Omega J Msigwa

Muy buen artículo, gracias, Omega.
Dado que utiliza la transformada rápida de Fourier para la descomposición, lo que permite al modelo captar por separado tanto la estacionalidad a corto plazo como las tendencias a largo plazo, ¿es adecuado utilizar el propio precio de cierre como entrada o salida para el algoritmo N-BEATS?

Nuevo comentario