Discussão do artigo "Redes neurais em trading: Extração eficiente de características para classificação precisa (Construção de objetos)"
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: Extração eficiente de características para classificação precisa (Construção de objetos) foi publicado:
O verdadeiro valor do Mantis se revela quando informações multicanais são alimentadas na entrada. Indicadores como RSI em sincronia, volumes, médias móveis e correlações entre pares de moedas formam um quadro complexo. A concatenação direta desses sinais leva a uma explosão no número de parâmetros, enquanto o processamento separado perde as relações cruzadas. A solução do Mantis são adaptadores leves, que comprimem as interações intercanal, preservando apenas o essencial, isto é, a força da relação entre os indicadores. O modelo economiza memória, e o trader economiza tempo de configuração.
Para compreender mais profundamente a arquitetura do Mantis, vamos percorrer suas etapas. A primeira fase é a convolução primária: a série temporal com d canais passa por uma camada com 256 saídas, formando uma representação densa. Em seguida, o tensor é dividido em partes iguais e o mean-pooling por canal transforma esses dados em 32 tokens, cada um carregando informação local.
Em paralelo, é construído um fluxo diferencial: as diferenças de primeira ordem dos dados originais aumentam a sensibilidade à dinâmica de curto prazo. Os dados obtidos percorrem o mesmo caminho de patching.
O terceiro e o quarto fluxo, estatísticos, coletam a média e o desvio padrão dos dados originais dentro das mesmas 32 janelas, transmitindo o pano de fundo geral de volatilidade e nível.
Esses quatro fluxos passam por projetores lineares individuais para alinhamento de dimensionalidade e, em seguida, são unificados e projetados em tokens globais de tamanho predefinido.
Autor: Dmitriy Gizlyk