Discusión sobre el artículo "Redes neuronales en el trading: entrenamiento de metaparámetros basado en la heterogeneidad (HimNet)"

[MetaQuotes]

Artículo publicado Redes neuronales en el trading: entrenamiento de metaparámetros basado en la heterogeneidad (HimNet):

Te invitamos a conocer el framework HimNet, que combina la flexibilidad de la adaptación espaciotemporal con una alta eficiencia computacional, lo que permite obtener pronósticos precisos y estables en series temporales financieras. En el artículo se muestra en detalle cómo interactúan entre sí sus componentes clave, convirtiendo algoritmos complejos en una arquitectura manejable.

Los enfoques basados en representaciones (Representation Learning) han aprendido a extraer embeddings informativos a partir de datos sin procesar. Es muy eficaz, pero a menudo después se aplica un procesamiento simplificado de los embeddings, y el valor de una buena representación se pierde en el siguiente paso. El entrenamiento Self-Supervised añade tareas auxiliares para que los embeddings sean más ricos; esto es útil, pero no siempre permite entrenar de forma óptima el modelo para la tarea objetivo de pronóstico en un único ciclo.

Precisamente por eso, los autores del trabajo «Heterogeneity-Informed Meta-Parameter Learning for Spatiotemporal Time Series Forecasting» propusieron un enfoque diferente: el framework HimNet. Su solución combina dos componentes clave. En primer lugar, la detección implícita de la heterogeneidad mediante embeddings espaciales y temporales entrenables; y, a continuación, el uso de esta información para el metaaprendizaje de los parámetros del modelo. En pocas palabras, los creadores del framework no solo pretenden identificar las diferencias entre distintos segmentos de datos, sino que también entrenan al modelo para que seleccione y genere parámetros únicos para cada contexto.

Imagine que en el pool de información de trading hay:

1. las acciones del mayor emisor en la bolsa principal durante el horario de negociación;
2. las mismas acciones en plataformas de negociación extrabursátiles tras un repunte local de noticias;
3. valores de baja capitalización y escasa liquidez;
4. mercados de criptomonedas con distinta profundidad del libro de órdenes.

Los embeddings espaciales separarán estos grupos en clústeres independientes. A continuación, el sistema extrae del pool de metaparámetros conjuntos únicos de parámetros para cada clúster. Para el mercado principal: parámetros agresivos que tienen en cuenta el bajo slippage. Y para la negociación extrabursátil, parámetros conservadores que aumentan el margen de seguridad en la ejecución. Los valores de baja capitalización reciben parámetros con una regularización más amplia para evitar sobreajustarse al ruido. Y la cripto recibe un conjunto que tiene en cuenta el alto nivel de ruido y las frecuentes brechas de arbitraje. Todo ello se entrena en un único ciclo, de modo que el modelo aprende al mismo tiempo a distinguir contextos y a seleccionar los mejores parámetros para cada uno de ellos.

Autor: Dmitriy Gizlyk