Discusión sobre el artículo "Redes neuronales en el trading: Extracción eficaz de características para una clasificación precisa (Implementación de objetos)"
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: Extracción eficaz de características para una clasificación precisa (Implementación de objetos):
El verdadero valor de Mantis se pone de manifiesto cuando se recibe información multicanal. El RSI, los volúmenes, las medias móviles y las correlaciones de los pares de divisas, danzando al compás, conforman un panorama complejo. La concatenación directa de estas señales dispara el número de parámetros, mientras que el procesamiento por separado hace que se pierdan las relaciones cruzadas. La solución Mantis consiste en adaptadores ligeros que comprimen las interacciones entre canales, dejando solo lo esencial: la fuerza de la conexión entre los indicadores. El modelo ahorra memoria y el trader, tiempo de configuración.
Para comprender mejor la arquitectura de Mantis, repasaremos sus pasos. La primera etapa es la convolución primaria: la serie temporal con d canales pasa por una capa con 256 salidas, formando una representación densa. A continuación, el tensor se divide en partes iguales y el mean-pooling por canal convierte estos datos en 32 tokens, cada uno de los cuales contiene información local.
En paralelo, se construye un flujo diferencial: las diferencias de primer orden de los datos originales aumentan la sensibilidad a la dinámica a corto plazo. Los datos obtenidos siguen el mismo proceso de patching.
Los flujos tercero y cuarto —estadísticos— recogen la media y la desviación estándar de los datos originales dentro de las mismas 32 ventanas, transmitiendo el contexto general de volatilidad y nivel.
Estos cuatro flujos pasan por proyectores lineales individuales para alinear la dimensionalidad y, a continuación, se combinan y se proyectan en tokens globales del tamaño especificado.
Autor: Dmitriy Gizlyk