Discussão do artigo "Técnicas do MQL5 Wizard que você deve conhecer (14): Previsão de Séries Temporais Multiobjetivo com STF"
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Novo artigo Técnicas do MQL5 Wizard que você deve conhecer (14): Previsão de Séries Temporais Multiobjetivo com STF foi publicado:
A Fusão Espaço-Temporal, que utiliza métricas de 'espaço' e tempo na modelagem de dados, é principalmente útil em sensoriamento remoto e uma série de outras atividades baseadas em imagens, permitindo uma melhor compreensão do nosso ambiente. Graças a um artigo publicado, adotamos uma abordagem inovadora ao usá-la, examinando seu potencial para traders.
Este artigo sobre Fusão Espaço-Temporal (STF) despertou meu interesse sobre o assunto, graças à sua abordagem de duas faces para a previsão. Para refrescar a memória, o artigo é inspirado na solução de um problema de previsão baseado em probabilidade que é colaborativo tanto para a oferta quanto para a demanda em plataformas de transporte por aplicativo de duas faces, como Uber e Didi. Relações colaborativas de oferta e demanda são comuns em vários mercados de duas faces, como Amazon, Airbnb e eBay, onde, essencialmente, a empresa não serve apenas o 'cliente' ou comprador tradicional, mas também atende aos fornecedores do cliente.
Portanto, a previsão de duas faces, em um caso onde a oferta é parcialmente dependente da demanda, pode ser importante para essas empresas de forma frequente. Essa projeção dupla, entretanto, de demanda e oferta, certamente foi uma ruptura em relação à abordagem convencional de prever um valor específico para uma série temporal ou conjunto de dados. O artigo também introduziu o que chamou de framework causaltrans, onde a relação causal 'colaborativa' entre oferta e demanda foi capturada por uma matriz G, e todas as previsões foram feitas via rede de transformadores, com resultados notáveis.
Inspirados por isso, buscamos prever oferta e demanda para títulos negociados, usando o pessimismo e otimismo como proxies para essas duas métricas. Estritamente falando, a classe Expert-Signal típica calcula ambos os valores como inteiros na faixa de 0-100, como pode ser visto nos arquivos da biblioteca MQL5 ou nos arquivos que codificamos nesta série até agora. O que seria novo, no entanto, será a adição de uma matriz espacial e um parâmetro de tempo em nossas previsões (os 2 inputs extras que citamos no artigo).
A quantização espacial dos títulos negociados é subjetiva, assim como a escolha da métrica de tempo. Usando séries de preços máximos e mínimos como âncoras para demanda e oferta, utilizamos os valores de autocorrelação entre esses buffers como coordenadas para uma matriz espacial, bem como o índice do dia da semana como indicador de tempo. Essa abordagem rudimentar, que pode ser personalizada e melhorada, serve aos nossos propósitos para este artigo.
O artigo usou redes de transformadores, que não utilizaremos, pois são ineficientes para nossos propósitos; no entanto, todas as previsões serão feitas por um perceptron multicamadas codificado manualmente. Com tantas bibliotecas e exemplos de código sobre o assunto, pareceria uma perda de tempo tentar codificar o próprio perceptron multicamadas. No entanto, a classe de rede usada tem menos de 300 linhas de comprimento e é razoavelmente escalável no que diz respeito à personalização do número de camadas e tamanho de cada uma, algo que ainda falta na maioria das bibliotecas prontas disponíveis.
Autor: Stephen Njuki