Discussão do artigo "Redes neurais em trading: Rede neural espaço-temporal (STNN)"

Novo comentário
 

Novo artigo Redes neurais em trading: Rede neural espaço-temporal (STNN) foi publicado:

Neste artigo, discutiremos o uso de transformações espaço-temporais para prever com eficácia o movimento futuro dos preços. Para melhorar a precisão das previsões numéricas na STNN, foi proposto um mecanismo de atenção contínua que permite ao modelo considerar melhor os aspectos relevantes dos dados.

Para explorar informações multidimensionais, foi desenvolvida uma equação de transformação de informações espaço-temporais (STI), com base no teorema de incorporação com atraso. O STI transforma informações espaciais de variáveis multidimensionais em informações temporais futuras da variável-alvo, o que equivale ao aumento do tamanho da amostra e resolve o problema de dados de curto prazo.

Modelos baseados na arquitetura Transformer, já conhecidos por nós, processam sequências de dados e aprendem informações por meio do mecanismo de Self-Attention, modelando a interrelação entre variáveis independentemente da distância entre elas. Esses mecanismos podem capturar informações globais e focar no conteúdo importante, ajudando a mitigar a maldição da dimensionalidade.

Para resolver problemas de previsão de séries temporais, o artigo "Spatiotemporal Transformer Neural Network for Time-Series Forecasting" propôs o modelo Transformer Espacial-Temporal (STNN) para previsões eficazes de séries temporais multidimensionais de curto prazo em várias etapas, aproveitando as vantagens da equação STI e da estrutura Transformer.


Os autores do método destacam as seguintes vantagens dos enfoques propostos:

  1. A STNN utiliza a equação STI para transformar informações espaciais de variáveis multidimensionais em informações sobre a evolução temporal da variável-alvo, o que equivale a aumentar o tamanho da amostra.
  2. Foi proposto um mecanismo de atenção contínua para aumentar a precisão das previsões numéricas.
  3. A estrutura espacial do Self-Attention na STNN coleta informações espaciais precisas de variáveis multidimensionais, enquanto a estrutura temporal do Self-Attention é utilizada para capturar informações sobre a evolução temporal. A estrutura Transformer integra informações espaciais e temporais.
  4. O modelo STNN pode reconstruir o espaço de fase do sistema dinâmico para previsão de séries temporais.

Autor: Dmitriy Gizlyk

 
Os retornos quantitativos são muito pequenos para serem comparados ao comércio humano
Novo comentário