Discussão do artigo "Redes neurais em trading: modelo de difusão adaptativa em grafos (SAGDFN)"
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: modelo de difusão adaptativa em grafos (SAGDFN) foi publicado:
Modelos tradicionais, como ARIMA ou VAR, lidavam razoavelmente bem com séries temporais isoladas, mas começavam a patinar assim que entravam em cena centenas de instrumentos. Métodos de aprendizado de máquina da geração seguinte, como máquinas de vetores de suporte e processos gaussianos, ampliaram os horizontes da análise, mas suas arquiteturas raramente levavam em conta o rico tecido das correlações cruzadas. Mesmo redes neurais recorrentes (RNN) e transformers modernos, que demonstraram resultados impressionantes no processamento de sequências, mostraram-se limitados no contexto multivariado: não tinham uma arquitetura suficientemente adequada para lidar com redes dinâmicas de correlações.
Nesse contexto, surgiram as redes neurais de grafos (GNN), originalmente criadas para tarefas com uma estrutura de grafo bem definida, como redes de transporte, interações sociais e cadeias de suprimentos. No mundo financeiro, porém, construir esse grafo é uma tarefa quase artística. Duas empresas do mesmo setor podem se comportar de maneira diametralmente oposta, enquanto dois mercados distantes, como Estados Unidos e Japão, podem reagir de forma sincronizada aos mesmos estímulos macroeconômicos.
A resposta veio com as redes neurais em grafos com pesos adaptativos (adaptive-weight-GNN), que constroem o grafo diretamente a partir dos dados, e não de pressupostos. Elas estimam a matriz de relações entre ativos, identificando correlações efetivas e não relações meramente formais. Um exemplo clássico são o ouro e o iene japonês, que frequentemente se comportam como ativos de proteção. Em períodos normais, essa relação pode não ser evidente, mas em momentos de turbulência global o modelo captura a sincronização de seus movimentos e ajusta a previsão.
Autor: Dmitriy Gizlyk