Discussão do artigo "Redes neurais em trading: Treinamento de modelos spiking profundos (Integração de spikes)"

Novo comentário
 

Novo artigo Redes neurais em trading: Treinamento de modelos spiking profundos (Integração de spikes) foi publicado:

O artigo apresenta uma implementação prática, em MQL5, dos principais componentes do framework SEW-ResNet. O uso de arrays dinâmicos e mecanismos spiking permite construir a arquitetura do modelo de forma flexível e processar séries temporais financeiras com eficiência. As soluções propostas mostram como o SEW-ResNet pode otimizar os cálculos e melhorar a extração de atributos relevantes.

Hoje, damos continuidade a esse trabalho. Mas, antes de avançarmos na implementação das abordagens propostas pelos autores do framework SEW-ResNet, faremos uma breve digressão para observar outra característica importante dos modelos spiking: o neurônio permanece silencioso até que ocorra um evento. Essa propriedade permite reduzir significativamente o custo computacional, pois o neurônio aguarda um sinal e não desperdiça recursos processando entradas vazias. Nos algoritmos que implementamos anteriormente, uma entrada igual a zero não proporcionava nenhuma economia de recursos. A multiplicação por zero era executada todas as vezes, embora o resultado já fosse conhecido de antemão.

Nos modelos clássicos de redes neurais, esse comportamento é perfeitamente justificável. Uma entrada igual a zero é rara, uma exceção à regra, e introduzir uma verificação adicional muitas vezes apenas complica e torna os cálculos mais lentos. Os modelos spiking, porém, funcionam de outra maneira. Neles, a maioria das entradas em cada instante é igual a zero, pois apenas eventos isolados são relevantes: impulsos curtos em meio ao silêncio. Por isso, adicionar uma verificação que permita ignorar operações com valores nulos torna-se uma solução natural e justificável.

Fazendo uma analogia com os mercados financeiros, o silêncio do neurônio lembra os períodos de "calma" no gráfico entre surtos de atividade no mercado. Quando o mercado está tranquilo, cada tick de preço traz pouca informação, e analisar todos eles seria um desperdício de recursos. O neurônio spiking se comporta de forma semelhante. Ele permanece inativo até receber um sinal com informação relevante. Assim que surge um evento, como um aumento abrupto de volume, o rompimento de um nível ou um impulso provocado por notícias, o neurônio reage imediatamente. Essa abordagem economiza recursos computacionais e aumenta a robustez da rede ao ruído, filtrando alterações pouco significativas para a análise.


Autor: Dmitriy Gizlyk

Novo comentário