Discussão do artigo "Redes neurais em trading: Dos transformers aos neurônios spiking (Componentes principais)"

Novo comentário
 

Novo artigo Redes neurais em trading: Dos transformers aos neurônios spiking (Componentes principais) foi publicado:

Apresentamos ao leitor uma implementação das abordagens do framework SpikingBrain com base em atenção linear recorrente com gates, analisada em detalhes neste artigo. Os algoritmos de propagação para frente, propagação dos gradientes e atualização dos pesos proporcionam um processamento eficiente de séries temporais financeiras e permitem colocar em prática as principais ideias do framework.

Aqui, vale analisar com mais detalhes um elemento importante da arquitetura: o mecanismo de codificação dos sinais em spikes. Para séries temporais financeiras, essa tarefa é particularmente complexa. Não basta simplesmente registrar valores de preços ou volumes; é necessário convertê-los para uma representação na qual cada pulso reflita uma alteração significativa nos dados. Os autores propõem várias estratégias de codificação, desde uma abordagem simples baseada em limiares, na qual um spike é gerado quando determinado valor crítico é ultrapassado, até esquemas mais complexos que consideram a velocidade de variação e o contexto dos eventos anteriores. Essa variedade de métodos torna o modelo versátil. Ele pode funcionar tanto com dados de alta frequência, nos quais cada milissegundo importa, quanto com gráficos diários mais tranquilos, em que a tendência global assume papel decisivo.

Outro bloco fundamental é formado pelos integradores. Eles acumulam e somam os impulsos recebidos, determinando o momento em que o neurônio entra em estado ativo. No contexto dos mercados financeiros, esse mecanismo se assemelha a uma filtragem de ruído: várias pequenas oscilações podem ser ignoradas, mas seu efeito acumulado, ao atingir determinado limiar, provoca uma resposta do modelo. Esse princípio permite manter um equilíbrio entre sensibilidade e estabilidade, algo especialmente valioso em ambientes sujeitos ao ruído de mercado.

Os autores do framework propuseram um modelo cuja arquitetura se baseia em uma estrutura híbrida de camadas. Algumas delas são especializadas na identificação de padrões de curto prazo, captando oscilações rápidas do mercado. Outras integram os sinais ao longo de horizontes mais extensos, permitindo gerar previsões mais estáveis. Essa combinação proporciona ao sistema uma espécie de visão dupla. Ele consegue, ao mesmo tempo, captar os menores detalhes do momento atual e manter uma perspectiva estratégica. Nos mercados financeiros, isso equivale à capacidade de observar tanto o movimento do ponteiro de um cronômetro quanto o ritmo geral do pêndulo que marca a passagem do tempo.


Autor: Dmitriy Gizlyk

 
MetaQuotes :

O artigo “Redes neurais na negociação: dos Transformers aos neurônios de disparo (componentes básicos)” foi publicado:

Autor: Dmitry Gizlyk

Olá. Gostaria de dizer que, ao tentar compilar o arquivo Neuronet.mqh, encontrei erros relacionados ao número incorreto de parâmetros no arquivo Math.mqh. Em um artigo anterior, o senhor respondeu que precisávamos alterar MathPow para ::MathPow; é nesse ponto que estou confuso. Como não sou programador, não sei se devo alterar as funções MathPow encontradas no arquivo Neuronet.mqh ou no Math.mqh. Se o senhor puder me esclarecer, ficaria muito grato.
Atenciosamente.
Novo comentário