Discusión sobre el artículo "Redes neuronales en el trading: Modelo de difusión adaptativa sobre grafos (SAGDFN)"
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 de difusión adaptativa sobre grafos (SAGDFN):
Los modelos tradicionales, como ARIMA o VAR, funcionaban bastante bien con series temporales individuales, pero en cuanto se trata de cientos de instrumentos, empiezan a fallar. Los métodos de aprendizaje automático de última generación (máquinas de vectores de soporte (SVM), procesos gaussianos) ampliaron los horizontes del análisis, pero su arquitectura rara vez tenía en cuenta el complejo entramado de interrelaciones. Incluso las redes neuronales recurrentes (RNN) y los Transformers modernos, que han demostrado resultados impresionantes en el procesamiento de secuencias, han mostrado sus limitaciones en un contexto multivariante: carecían de la elegancia necesaria para trabajar con redes dinámicas de correlaciones.
En este contexto surgieron las redes neuronales de grafos (GNN), que en un principio se crearon para tareas con una estructura de grafo muy marcada: redes de transporte, interacciones sociales y cadenas de suministro. Pero en el mundo financiero, construir un grafo así es una tarea que roza el arte. Dos empresas del mismo sector pueden comportarse de manera diametralmente opuesta, mientras que dos mercados muy distantes entre sí (por ejemplo, EE. UU. y Japón) pueden reaccionar de forma sincronizada ante los mismos estímulos macroeconómicos.
La respuesta fueron las redes neuronales de grafos adaptativas (adaptive-weight-GNN), que construyen el grafo directamente a partir de los datos, y no a partir de suposiciones. Aprenden la matriz de conexiones entre los activos, identificando no las correlaciones formales, sino las reales. Un ejemplo clásico: el oro y el yen japonés, que suelen comportarse como activos refugio. En circunstancias normales, su relación puede no resultar evidente, pero en períodos de agitación global, el modelo detectará la sincronía de sus movimientos y ajustará el pronóstico.
Autor: Dmitriy Gizlyk