Discussão do artigo "Redes neurais em trading: Framework de previsão cruzada de domínio de séries temporais (TimeFound)"
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: Framework de previsão cruzada de domínio de séries temporais (TimeFound) foi publicado:
No passado, os modelos estatísticos clássicos eram amplamente utilizados: ARIMA, suavização exponencial. E, convenhamos, até a regressão linear com frequência trazia bons resultados. Os argumentos de que o modelo deveria ser mais simples soavam convincentes, até que as redes neurais profundas entraram em cena. Hoje, elas não apenas dão resultados, como colhem uma verdadeira safra, impressionando pela precisão e pela velocidade no processamento de terabytes de dados históricos.
No entanto, como qualquer arma poderosa, os modelos profundos têm seus efeitos colaterais. Para o aprendizado, eles exigem uma verdadeira mina de dados rotulados para uma tarefa específica. Sem isso, o grande irmão rede neural simplesmente não funciona. Mas o que fazer se você tem à disposição apenas um fragmento estreito do histórico ou se o mercado acabou de começar a ser negociado? Como prever os preços de um token recém-lançado, cujos dados o contador no terminal da corretora ainda nem teve tempo de acumular? É aí que entra em cena o conceito de Zero-Shot Forecasting, a garantia de que o modelo vai se mostrar eficaz onde os métodos clássicos são totalmente impotentes.
Pesquisadores de séries temporais traçaram analogias com grandes modelos de linguagem (Large Language Models). Os famosos LLM trabalham com texto de forma excelente: traduzem, escrevem poemas, respondem a perguntas. Então por que não transferir essas ideias para a previsão de tendências de preços? Assim surgiu o boom dos chamados Foundation Models para séries temporais. Imagine: um único modelo universal, e para ele não faz diferença se está prevendo o preço de ações, o volume de consumo de eletricidade ou o nível de desemprego. O principal é treiná-lo corretamente em um conjunto de dados diversificado.
Inspirados por essa abordagem fundamental, os autores do trabalho "TimeFound: A Foundation Model for Time Series Forecasting" apresentaram como base para a previsão de séries temporais um novo framework baseado na arquitetura Transformer, o TimeFound. Eles pegaram as melhores ideias do mundo de NLP e as adaptaram para a previsão de séries temporais.
Autor: Dmitriy Gizlyk