Discussão do artigo "Redes neurais em trading: Conjunto de agentes com uso de mecanismos de atenção (Conclusão)"
Por que eles publicam artigos tão vergonhosos? O lucro do mês é de 0,27%, meu gato, batendo a pata acidentalmente, ganhará 50 vezes mais.
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: Conjunto de agentes com uso de mecanismos de atenção (Conclusão) foi publicado:
Para capturar mudanças significativas nos preços, os agentes utilizam filtros de movimento direcional com diferentes limiares. Além disso, são extraídas características-chave das tendências nas séries temporais de preços analisadas, o que melhora a compreensão das transições de mercado com diferentes intensidades. A abordagem proposta introduz uma nova metodologia para gerar tokens de sequência, permitindo que os módulos de análise cruzada com base em atenção (CSA) e análise temporal (TA) identifiquem de forma eficiente diversas correlações. Especificamente, ao reconstruir os mapas de características, os tokens de sequência no módulo CSA são formados com base nos indicadores de ativos individuais, otimizados através de mecanismos de atenção. Ao mesmo tempo, os tokens no módulo TA são construídos com base nas características dos pontos temporais, o que permite destacar conexões significativas entre momentos específicos no tempo.
As avaliações de correlação entre ativos e pontos temporais, reunidas nos módulos CSA e TA, são combinadas pelos agentes MASAAT utilizando o mecanismo de atenção, com o objetivo de encontrar dependências de cada ativo em relação a cada ponto no tempo durante o período de observação.
A visualização original do framework MASAAT é apresentada abaixo.
O framework MASAAT possui uma estrutura modular bem definida. Isso nos permite implementar cada módulo como uma classe separada e, em seguida, unir os objetos criados em uma única estrutura. No artigo anterior, já foram apresentados os algoritmos de implementação do objeto multiagente de transformação paralela da série temporal multimodal analisada em representações segmentadas lineares de diferentes escalas, CNeuronPLRMultiAgentsOCL. Também foi analisado o algoritmo do módulo de atenção cruzada entre ativos, CSACNeuronCrossSectionalAnalysis. Neste artigo, damos continuidade ao trabalho iniciado.
Autor: Dmitriy Gizlyk