Discussão do artigo "Redes neurais em trading: treinamento de metaparâmetros com base na heterogeneidade (HimNet)"

Novo comentário
 

Novo artigo Redes neurais em trading: treinamento de metaparâmetros com base na heterogeneidade (HimNet) foi publicado:

Propomos conhecer o framework HimNet, que combina a flexibilidade da adaptação espaço-temporal com alta eficiência computacional, permitindo obter previsões precisas e estáveis em séries temporais financeiras. O artigo mostra em detalhes como seus principais componentes interagem entre si, transformando algoritmos complexos em uma arquitetura gerenciável.

Abordagens baseadas em representações (Representation Learning) aprenderam a extrair embeddings informativos a partir de dados brutos. Isso é poderoso, mas muitas vezes, na sequência, os embeddings passam por um processamento simplificado, e o valor de uma boa representação se perde na etapa seguinte. O aprendizado self-supervised adiciona tarefas auxiliares para tornar os embeddings mais ricos. Isso é útil, mas nem sempre permite treinar o modelo de forma ideal para a tarefa-alvo de previsão em um único ciclo.

É exatamente por isso que os autores do trabalho "Heterogeneity-Informed Meta-Parameter Learning for Spatiotemporal Time Series Forecasting" propuseram uma abordagem diferente: o framework HimNet. A solução deles combina dois componentes principais. Primeiro, a identificação implícita da heterogeneidade por meio de embeddings espaciais e temporais treináveis; depois, o uso dessa informação para o meta-aprendizado dos parâmetros do modelo. Em termos simples, os criadores do framework não buscam apenas identificar as diferenças entre segmentos específicos dos dados, mas também treinam o modelo para escolher e gerar parâmetros únicos para cada contexto.

Imagine que, no pool de informações de trading, existam:

  1. ações de um grande emissor na bolsa principal durante o horário regular;
  2. as mesmas ações em mercados de balcão após um pico local de notícias;
  3. papéis menores com baixa liquidez;
  4. mercados de criptomoedas com diferentes profundidades de livro de ofertas.

Os embeddings espaciais separarão esses grupos em clusters distintos. Em seguida, o sistema extrai do pool de metaparâmetros conjuntos únicos de parâmetros para cada cluster. Para o mercado principal, parâmetros agressivos ajustados a condições de baixo slippage. Para as negociações de balcão, parâmetros conservadores, que ampliam a margem de segurança da execução. Papéis menores recebem parâmetros com regularização mais ampla, para não se sobreajustarem ao ruído. Já as criptos recebem um conjunto que considera o alto nível de ruído e as frequentes ineficiências de arbitragem. Tudo isso é treinado em um único ciclo, de modo que o modelo aprende simultaneamente a distinguir contextos e a escolher os melhores parâmetros para cada um deles.


Autor: Dmitriy Gizlyk

Novo comentário