Discussão do artigo "Redes neurais em trading: Previsão probabilística de séries temporais (Codificador)"

Novo comentário
 

Novo artigo Redes neurais em trading: Previsão probabilística de séries temporais (Codificador) foi publicado:

Apresentamos uma nova abordagem que combina métodos clássicos e redes neurais modernas para a análise de séries temporais. O artigo descreve detalhadamente a arquitetura e os princípios de funcionamento do modelo K²VAE.

A principal vantagem do K²VAE não está apenas em gerar uma previsão, mas em formar uma distribuição probabilística dos estados futuros do sistema. Diferentemente dos modelos tradicionais, que se limitam a uma única versão mais provável de como os eventos irão evoluir, aqui o resultado é um intervalo de desfechos possíveis. Além disso, a amplitude desse intervalo depende do grau de confiança do modelo no estado atual. Isso torna o framework especialmente útil em áreas em que é importante considerar riscos e incertezas, por exemplo, previsão financeira, logística ou controle de sistemas técnicos.

Para entender como essa flexibilidade e essa adaptabilidade são alcançadas, vamos analisar a arquitetura geral do modelo. A estrutura do K²VAE pode ser dividida, de forma condicional, em três grandes componentes: Patching, Codificador e Decodificador, cada um com sua própria função, mas ao mesmo tempo estreitamente ligado aos demais.

  1. Patching prepara os dados brutos e os converte em uma representação latente.
  2. Codificador responde pela extração do estado oculto Z a partir das séries temporais observadas X. Diferentemente dos VAE padrão, aqui é usada uma estrutura complexa, composta por:
    • KoopmanNet, um análogo treinável do operador de Koopman, que prevê a evolução das características ocultas como um sistema linear;
    • Módulo de atenção, que analisa as diferenças entre os valores reconstruídos e os reais, permitindo identificar os momentos em que o modelo diverge da realidade;
    • KalmanNet, uma implementação híbrida em rede neural do filtro de Kalman, que forma a matriz de covariância da incerteza com base nos sinais de controle da atenção;
    • Mecanismo VAE, que realiza a amostragem de tokens futuros com base nos parâmetros definidos pelo KalmanNet e pelo KoopmanNet.
  3. Decodificador converte as variáveis ocultas de volta em variáveis observáveis, reconstruindo os valores previstos da série temporal. Ao mesmo tempo, para preservar a natureza probabilística do modelo, o Decodificador também foi implementado como uma estrutura treinável de rede neural com duas saídas: valor médio e variância. Isso permite modelar de forma completa a distribuição P(Y|Z) e considerar a incerteza da previsão.

A visualização autoral do framework K²VAE é apresentada abaixo.


Autor: Dmitriy Gizlyk

Novo comentário