Discussão do artigo "Redes neurais em trading: Modelos híbridos de sequências de grafos (GSM++)"
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 híbridos de sequências de grafos (GSM++) foi publicado:
Nos últimos anos, os transformadores de grafos, adaptados de aplicações em processamento de linguagem natural e visão computacional, têm recebido atenção especial. A capacidade deles de modelar dependências de longo alcance e lidar de forma eficaz com estruturas financeiras irregulares os torna uma ferramenta promissora para tarefas como previsão de volatilidade, detecção de anomalias de mercado e construção de estratégias de investimento otimizadas. No entanto, os transformadores clássicos enfrentam uma série de problemas fundamentais, incluindo alto custo computacional e dificuldade de adaptação a estruturas de grafos desordenadas.
Os autores do trabalho "Best of Both Worlds: Advantages of Hybrid Graph Sequence Models" propõem um modelo unificado de sequências de grafos GSM++, que combina os pontos fortes de diferentes arquiteturas para criar um método eficiente de representação e processamento de grafos. Ele é baseado em três etapas principais: tokenização do grafo, codificação local dos nós e codificação global das dependências. Essa abordagem permite considerar tanto as conexões locais quanto as globais do sistema financeiro, tornando o modelo universal e aplicável a uma ampla gama de tarefas.
O elemento-chave do modelo proposto é o método desenvolvido de tokenização hierárquica de grafos, que possibilita transformar os dados de mercado em uma representação sequencial compacta, preservando suas características topológicas e temporais. Diferente dos métodos tradicionais de codificação de séries temporais, essa abordagem melhora a qualidade da extração de características e simplifica o processamento de grandes volumes de dados de mercado. A combinação da tokenização hierárquica com uma arquitetura híbrida, que inclui mecanismos de transformadores e modelos recorrentes, permite alcançar resultados superiores em diferentes tarefas. Isso torna o método proposto uma ferramenta eficaz para lidar com dados financeiros complexos.
Autor: Dmitriy Gizlyk