Discussão do artigo "Redes neurais de maneira fácil (Parte 91): previsão na área de frequência (FreDF)"
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 Redes neurais de maneira fácil (Parte 91): previsão na área de frequência (FreDF) foi publicado:
Continuamos a explorar a análise e previsão de séries temporais na área de frequência. E nesta matéria, apresentaremos um novo método de previsão nessa área, que pode ser adicionado a muitos dos algoritmos que já estudamos anteriormente.
Recentemente, modelos baseados na arquitetura Transformer, que utilizam mecanismos de Self-Attention para avaliar dinamicamente a autocorrelação, estão ganhando popularidade. Ao mesmo tempo, há um crescente interesse no uso da análise de frequência para previsões. Ao representar a sequência de dados brutos na área de frequência, é possível contornar a complexidade da descrição da autocorrelação, o que aumenta a eficiência dos diferentes modelos.
Outro aspecto importante é a autocorrelação nos valores previstos. É evidente que os valores previstos fazem parte de uma série temporal maior, que inclui tanto a sequência analisada quanto a prevista. Portanto, os valores previstos mantêm as dependências dos dados analisados. No entanto, esse fenômeno muitas vezes é ignorado nos métodos modernos de previsão. Em particular, os métodos atuais tendem a usar a abordagem de previsão direta (Direct Forecast — DF), que gera previsões de múltiplos passos simultaneamente. Isso implicitamente pressupõe a independência dos passos na sequência dos valores previstos. Essa discrepância entre as suposições do modelo e as características dos dados resulta em previsões de qualidade subótima.
Uma solução para esse problema foi proposta no artigo "FreDF: Learning to Forecast in Frequency Domain". Nele, os autores apresentam um método de previsão direta com aprimoramento de frequência (FreDF). Ele ajusta a abordagem DF, alinhando os valores previstos e a sequência de referência na área de frequência. Ao migrar para a área de frequência, onde as bases são ortogonais e independentes, a influência da autocorrelação é efetivamente reduzida. Dessa forma, FreDF evita a discrepância entre a suposição do DF e a existência de autocorrelação nas referências, mantendo as vantagens do DF.
Os autores testaram a eficácia do método em uma série de experimentos, que demonstraram uma melhoria significativa do desempenho em relação aos métodos atuais.
Autor: Dmitriy Gizlyk