Discussão do artigo "Redes neurais em trading: Modelos de difusão direcionada (DDM)"
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: Modelos de difusão direcionada (DDM) foi publicado:
Os autores do trabalho "Directional diffusion models for graph representation learning" propuseram o uso de modelos de difusão para aprendizado não supervisionado de representação de grafos. No entanto, na prática, enfrentaram uma limitação dos modelos de difusão padrão. Os experimentos realizados por eles mostraram que os dados em grafos podem possuir estruturas anisotrópicas e direcionais bem definidas, que são menos evidentes em imagens. Modelos de difusão padrão com processo de propagação para frente isotrópico levam a uma rápida diminuição da relação sinal/ruído (Signal-to-Noise Ratio — SNR), tornando-os menos eficazes na aprendizagem de estruturas anisotrópicas. Por isso, foram propostas novas abordagens que permitem capturar tais estruturas de maneira eficiente. Esses modelos são os de difusão direcionada, que conseguem atenuar de forma eficaz o problema da rápida queda da relação sinal/ruído. A estrutura proposta inclui a geração de ruído dependente dos dados e direcionado no processo de propagação para frente. As ativações intermediárias obtidas pelo modelo de absorção de ruído capturam, de maneira eficiente, informações semânticas e topológicas úteis, necessárias para tarefas posteriores.
Como resultado, os modelos de difusão direcionada oferecem uma abordagem generativa promissora para o aprendizado de representação de grafos. Os resultados dos experimentos conduzidos pelos autores do método demonstram desempenho superior em comparação ao aprendizado contrastivo e às abordagens generativas. É notável que, em tarefas de classificação de grafos, os modelos de difusão direcionada superam até mesmo modelos básicos com aprendizado supervisionado, destacando o enorme potencial dos modelos de difusão na área de aprendizado de representação de grafos.
A aplicação de modelos de difusão no contexto do trading abre perspectivas para melhorar os métodos de representação e análise de dados de mercado. Modelos de difusão direcionada, que consideram estruturas anisotrópicas dos dados, podem ser potencialmente úteis. Como os mercados financeiros muitas vezes se caracterizam por movimentos assimétricos e direcionais, modelos com ruído direcionado podem reconhecer com mais eficiência padrões estruturais em movimentos de tendência e de correção. Isso permitirá identificar dependências ocultas e padrões sazonais.
Autor: Dmitriy Gizlyk