Discussão do artigo "Redes neurais em trading: Modelos com uso de transformação wavelet e atenção multitarefa"
Há algo planejado sobre o Campo de Diferença Angular Gramiano?
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 com uso de transformação wavelet e atenção multitarefa foi publicado:
Nos últimos anos, o aprendizado profundo se tornou uma ferramenta essencial em investimentos quantitativos, especialmente na melhoria de estratégias multifatoriais, que são a base para entender o movimento de preços dos ativos financeiros. Ao automatizar a extração de características e capturar relações não lineares nos dados do mercado financeiro, os algoritmos de aprendizado profundo identificam padrões complexos de forma eficaz, aumentando assim a precisão das previsões. A comunidade global de pesquisa reconhece o potencial das redes neurais profundas, como as redes neurais recorrentes (RNN) e as redes neurais convolucionais (CNN), para prever preços de ações e contratos futuros. No entanto, o uso de modelos de aprendizado profundo como RNN e CNN, embora amplamente difundido, raramente explora redes neurais mais profundas que extraem e estruturam informações relevantes e de mercado sobre sequências, o que indica espaço para avanços no uso do aprendizado profundo nos mercados de ações.
Hoje apresentamos o framework Multitask-Stockformer, descrito no artigo "Stockformer: A Price-Volume Factor Stock Selection Model Based on Wavelet Transform and Multi-Task Self-Attention Networks". Apesar da semelhança no nome com o framework anteriormente destrinchado StockFormer, os frameworks não têm relação entre si. Com exceção, claro, do objetivo: gerar uma carteira lucrativa de ações para atuar no mercado acionário.
Autor: Dmitriy Gizlyk