Discussão do artigo "Redes neurais no trading: Dupla clusterização de séries temporais (DUET)"
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 no trading: Dupla clusterização de séries temporais (DUET) foi publicado:
Os métodos existentes de processamento de dados podem ser divididos em três categorias. A primeira abordagem consiste na análise independente de cada canal, mas isso ignora as inter-relações entre variáveis. A segunda abordagem combina todos os canais, porém isso pode introduzir informações desnecessárias e reduzir a precisão. A terceira abordagem utiliza a clusterização de variáveis, mas limita a flexibilidade do modelo.
Para resolver esses problemas, os autores do trabalho "DUET: Dual Clustering Enhanced Multivariate Time Series Forecasting" propuseram o método DUET, que combina dois tipos de clusterização: temporal e de canais. A clusterização temporal (TCM) agrupa os dados com base em características semelhantes e permite que os modelos se adaptem às mudanças ao longo do tempo. Na análise de mercados financeiros, isso possibilita considerar diferentes fases dos ciclos econômicos. Já a clusterização de canais (CCM) identifica as variáveis-chave, eliminando o ruído e aumentando a precisão das previsões. Ela revela relações estáveis entre ativos, o que é especialmente importante para a construção de portfólios de investimento diversificados.
Depois disso, os resultados são combinados pelo módulo Fusion Module (FM), que sincroniza as informações sobre os padrões temporais e as dependências entre canais. Essa abordagem permite prever com maior precisão o comportamento de sistemas complexos, como os mercados financeiros. Os experimentos realizados pelos autores do framework demonstraram que o DUET supera os métodos existentes, fornecendo previsões mais precisas. Ele considera padrões temporais heterogêneos e a dinâmica das conexões entre canais, adaptando-se à variabilidade dos dados.
Autor: Dmitriy Gizlyk