Discussão do artigo "Redes neurais em trading: Desvendando os componentes estruturais (Encoder)"

[MetaQuotes]

Novo artigo Redes neurais em trading: Desvendando os componentes estruturais (Encoder) foi publicado:

Propomos dar continuação à implementação do framework SCNN, que combina flexibilidade e interpretabilidade, permitindo isolar com precisão os componentes estruturais da série temporal. O artigo detalha os mecanismos de normalização adaptativa e de atenção, o que confere ao modelo maior robustez diante de condições de mercado em constante mudança.

Na parte prática do artigo anterior, desenvolvemos o objeto CNeuronPeriodNorm, destinado a isolar componentes periódicos da série temporal. Esse componente tornou-se o primeiro passo para implementar o framework SCNN no ambiente MQL5 e será usado para extrair componentes de longo prazo e de curto prazo. O uso de kernels OpenCL garante o processamento paralelo eficiente dos dados e o suporte ao mecanismo de retropropagação do erro, o que torna esse módulo adequado para uso dentro de arquiteturas neurais treináveis.

Mais adiante, mostraremos que, por meio de algumas transformações simples dos dados, o CNeuronPeriodNorm também pode ser adaptado para extrair o componente sazonal, o que lhe confere versatilidade adicional. Hoje daremos o próximo passo: iniciaremos a construção do objeto responsável por extrair o componente conjugado, que reflete mudanças inter-relacionadas entre várias variáveis da série temporal. Esse módulo terá um papel essencial na modelagem de oscilações sincronizadas e movimentos conjuntos anômalos, algo especialmente relevante em condições de análise de mercado multivariada.

Autor: Dmitriy Gizlyk