Discussão do artigo "EA baseado em rede neural com PatchTST"
Sua implementação no MQL5 é uma proeza de engenharia, especialmente levando em conta as limitações do ambiente. Mas se o objetivo é velocidade e escalabilidade, o Python com frameworks de ML lhe proporcionará:
-
Treinamento mais rápido
-
Modelos mais precisos
-
Maior facilidade para testar e visualizar
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 EA baseado em rede neural com PatchTST foi publicado:
A revolução começou em 2017 com a publicação do artigo "Attention Is All You Need". Embora os transformers tenham mudado radicalmente o processamento de sequências em NLP, sua aplicação a séries temporais financeiras esbarrou em sérios obstáculos.
O principal problema é a complexidade computacional. O mecanismo de atenção exige o cálculo das correlações entre cada par de elementos da sequência. Para uma sequência de comprimento N, isso resulta em O(N²) operações. Com N igual a 1000 barras, o mínimo necessário para uma análise robusta, o número de operações chega a um milhão. Cada operação envolve uma multiplicação matricial de alta dimensionalidade, tornando os cálculos extremamente caros em termos computacionais.
Além disso, os transformers tradicionais são projetados para tokens discretos, ou seja, palavras em um texto. Porém, os dados financeiros são séries temporais contínuas, com uma estrutura interna complexa. Aplicar transformers diretamente aos dados de preço ignora essa especificidade. A tokenização, ao considerar apenas uma barra de cada vez, perde informações importantes sobre padrões locais dentro de janelas temporais curtas.
As tentativas de adaptar transformers do tipo vanilla para dados financeiros esbarravam no problema do sobreajuste. O modelo memorizava com facilidade sequências específicas dos dados de treinamento, mas não conseguia aplicar o conhecimento adquirido a novas situações de mercado. Esse problema ficava especialmente evidente em períodos de alta volatilidade ou de mudanças estruturais no mercado.
Nesse contexto, surge o PatchTST: uma arquitetura que redefine a forma como as redes neurais analisam séries temporais financeiras. Ele não é apenas mais um transformer, mas um sistema especialmente adaptado que entende a natureza dos dados de mercado e trabalha com eles como um verdadeiro trader profissional.
Autor: Yevgeniy Koshtenko