Discussão do artigo "Redes Generativas Adversariais (GANs) para Dados Sintéticos em Modelagem Financeira (Parte 1): Introdução às GANs e Dados Sintéticos em Modelagem Financeira"

[MetaQuotes]

Novo artigo Redes Generativas Adversariais (GANs) para Dados Sintéticos em Modelagem Financeira (Parte 1): Introdução às GANs e Dados Sintéticos em Modelagem Financeira foi publicado:

Este artigo introduz os traders às Redes Generativas Adversariais (GANs) para geração de dados financeiros sintéticos, abordando limitações de dados no treinamento de modelos. Ele cobre os fundamentos das GANs, implementações em Python e MQL5, e aplicações práticas em finanças, capacitando traders a aumentar a precisão e a robustez dos modelos por meio de dados sintéticos.

As GANs são simplesmente duas redes neurais — o Gerador e o Discriminador — que jogam um jogo adversarial: aqui está uma visão geral desses componentes.

• Gerador: Pelo termo Gerador, a intenção aqui é treinar um algoritmo para imitar dados reais. Ele trabalha com ruído aleatório como entrada e, com o tempo, tende a produzir amostras de dados mais realistas. Em termos de trading, o Gerador forneceria sequências falsas de movimento de preços ou volumes de negociação que se assemelham às sequências reais.

• Discriminador: O papel do Discriminador é decidir quais dados, dentre os estruturados e os sintetizados, são genuínos. Cada amostra de dados é então avaliada quanto à probabilidade de ser original ou sintetizada. Como resultado, no processo de treinamento, o Discriminador aumenta sua capacidade de classificar a entrada como dado real, incentivando o Gerador a avançar na geração dos dados.

Agora vamos analisar o processo Adversarial, já que é justamente esse aspecto que torna as GANs tão poderosas. Aqui está como as duas redes interagem durante o processo de treinamento:

• Etapa 1: O Gerador cria um lote de amostras de dados sintéticos a partir de ruído. 
• Etapa 2: O Discriminador recebe os dados reais, bem como os dados sintéticos do Gerador. Ele atribui probabilidades, ou em outras palavras “julga” a autenticidade de cada amostra.
• Etapa 3: Nas próximas interações, com base no feedback do Discriminador, os pesos do Gerador são ajustados para gerar dados mais realistas.
• Etapa 4: O Discriminador também ajusta seus pesos para distinguir melhor os dados reais dos falsos.

Autor: LiviaObongo