記事「データサイエンスとML（第48回）：Transformerは取引において重要なのか」についてのディスカッション

[MetaQuotes]

新しい記事「データサイエンスとML（第48回）：Transformerは取引において重要なのか」はパブリッシュされました:

ChatGPTからGemini、そしてテキスト、画像、動画生成のための数多くのAIモデル/ツールに至るまで、TransformerはAI業界に大きな衝撃を与えてきました。しかし、この技術は金融市場や取引の分野にも応用できるのでしょうか。その可能性を検討してみましょう。

ディープラーニングにおいて、Transformerとはマルチヘッドアテンション機構に基づくニューラルネットワークアーキテクチャです。このアーキテクチャは、Googleの8名の研究者によって執筆された2017年の論文「Attention Is All You Need」で初めて提案されました。この論文では、Bahdanauらが2014年に提案したアテンション機構を発展させた新しいモデルが紹介され、現代AIの基盤技術の一つとして広く認識されています。

Transformerはさまざまな分野で顕著な成果を上げています。自然言語処理(NLP)の分野では、機械翻訳、感情分析、文章要約などで高い性能を示しています。また、画像処理分野にも応用され、画像分類や物体検出などのビジョンタスクでも成功を収めています。さらに、時系列分析への適用も進んでおり、長期依存関係を捉える能力により、株価予測や気象予測などのシーケンシャルデータの予測タスクでも有効性が示されています。

作者: Omega J Msigwa

[Evgeniy Chernish]

MetaQuotes:

記事「機械学習とデータサイエンス（第48回）：トレーディングにおいてトランスフォーマーはどれほど重要か？」が公開されました：

著者：Omega J Msigwa

こんにちは！

基本（ナイーブ）予測の計算に誤りがあります。

「基本モデル

これは、目標変数の直近の既知の値を用いて予測を構築するモデルです。これにより、私たちが上回りたいと考える単純な目安が得られます。」

自己相関がゼロの定常時系列に対する正しいベースライン予測は、その時系列の平均値です。

非定常時系列（ランダムウォーク型）の場合、正しいベースライン予測は直近の値です。

ここでは、目的変数は価格の増加分であり、時系列はほぼ定常であるため、モデルは直近の値ではなく、平均値に基づく予測と比較すべきであった。