Discussão do artigo "Redes neurais em trading: Usando modelos de linguagem para previsão de séries temporais"
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 em trading: Usando modelos de linguagem para previsão de séries temporais foi publicado:
Continuamos a analisar modelos de previsão de séries temporais. Neste artigo, proponho a apresentação de um algoritmo complexo baseado no uso de um modelo de linguagem previamente treinado.
Os autores do artigo "TEMPO: Prompt-based Generative Pre-trained Transformer for Time Series Forecasting" abordam os desafios de adaptar grandes modelos previamente treinados para tarefas de previsão de séries temporais e propõem um modelo abrangente baseado no GPT, denominado TEMPO. Ele é composto por dois componentes analíticos essenciais para o aprendizado eficiente de representações de séries temporais. Um componente foca na modelagem de padrões específicos das séries temporais, como tendências e sazonalidade. O outro concentra-se em obter insights mais gerais e transferíveis das propriedades internas dos dados, por meio de uma abordagem baseada em "prompts". Especificamente, o TEMPO primeiro decompõe os dados brutos multimodais de séries temporais em três componentes: tendência, sazonalidade e resíduos. Em seguida, cada um desses componentes é mapeado para um espaço latente correspondente, para que se construa a incorporação inicial da série temporal ao GPT.
Os autores do método realizam uma análise formal, conectando o domínio de séries temporais ao domínio de frequência, para destacar a necessidade de decompor esses componentes na análise de séries temporais. Além disso, eles demonstram teoricamente que o mecanismo de atenção tem dificuldade em realizar essa decomposição automaticamente.
No TEMPO, são utilizadas instruções que codificam conhecimentos temporais sobre tendências e sazonalidade. Isso permite ajustar eficientemente o GPT para resolver tarefas de previsão. Além disso, as tendências, a sazonalidade e os resíduos são utilizados para fornecer uma estrutura interpretável que ajuda a compreender as interações entre os componentes originais.
Autor: Dmitriy Gizlyk