En este artículo se presenta la arquitectura integral del codificador STE-FlowNet, que combina memoria de pila, procesamiento recurrente y un mecanismo de correlación para extraer dependencias ocultas del mercado. Se muestra cómo estos módulos se integran secuencialmente en una cadena de cálculo única, capaz de realizar un análisis multifacético de series temporales.
La siguiente etapa de nuestro trabajo consiste en crear un módulo que aprenda la correlación entre estados. Es importante señalar que los autores del framework original analizaron en su trabajo las correlaciones entre el fotograma actual y los desplazamientos del primer fotograma de la secuencia analizada, determinando así el impulso dinámico de toda la secuencia anterior. Este enfoque está plenamente justificado para el análisis de secuencias fijas y limitadas, en las que se puede acceder al contexto histórico.
Nuestra tarea, en cambio, es totalmente diferente: nuestro objetivo es analizar los datos en tiempo real. Esto lleva a analizar secuencias prácticamente infinitas. Es más, la influencia de los eventos se atenúa a medida que aumenta la distancia temporal respecto a ellos, lo que hace que el uso prolongado de un estado estático resulte poco eficaz.
La primera solución natural es utilizar un punto desplazable como referencia para el análisis. Este enfoque es sencillo, mantiene el resto de la arquitectura sin cambios y permite controlar el tamaño del desplazamiento como hiperparámetro del modelo, lo que garantiza un equilibrio entre la velocidad y la precisión del análisis. Sin embargo, existe también una limitación conceptual: cada estado recibe su propia referencia, lo que hace que las correlaciones entre estados consecutivos no sean comparables, por no hablar de las correlaciones con eventos más alejados.
Para iniciar sesión y usar el sitio web MQL5.com es necesario permitir el uso de Сookies.
Por favor, active este ajuste en su navegador, de lo contrario, no podrá iniciar sesión.
Ha iniciado sesión. La autenticación de dos factores se ha desactivado. Vuelva a configurarla y escanee un nuevo código QR, o continúe con la autenticación de dos factores desactivada.
Artículo publicado Redes neuronales en el trading: Percepción adaptativa de la dinámica del mercado (Codificador):
La siguiente etapa de nuestro trabajo consiste en crear un módulo que aprenda la correlación entre estados. Es importante señalar que los autores del framework original analizaron en su trabajo las correlaciones entre el fotograma actual y los desplazamientos del primer fotograma de la secuencia analizada, determinando así el impulso dinámico de toda la secuencia anterior. Este enfoque está plenamente justificado para el análisis de secuencias fijas y limitadas, en las que se puede acceder al contexto histórico.
Nuestra tarea, en cambio, es totalmente diferente: nuestro objetivo es analizar los datos en tiempo real. Esto lleva a analizar secuencias prácticamente infinitas. Es más, la influencia de los eventos se atenúa a medida que aumenta la distancia temporal respecto a ellos, lo que hace que el uso prolongado de un estado estático resulte poco eficaz.
La primera solución natural es utilizar un punto desplazable como referencia para el análisis. Este enfoque es sencillo, mantiene el resto de la arquitectura sin cambios y permite controlar el tamaño del desplazamiento como hiperparámetro del modelo, lo que garantiza un equilibrio entre la velocidad y la precisión del análisis. Sin embargo, existe también una limitación conceptual: cada estado recibe su propia referencia, lo que hace que las correlaciones entre estados consecutivos no sean comparables, por no hablar de las correlaciones con eventos más alejados.
Autor: Dmitriy Gizlyk