Discussão do artigo "Redes neurais no trading: percepção adaptativa da dinâmica de mercado (Codificador)"

[MetaQuotes]

Novo artigo Redes neurais no trading: percepção adaptativa da dinâmica de mercado (Codificador) foi publicado:

O artigo apresenta uma arquitetura abrangente do codificador STE-FlowNet, que combina memória em pilha, processamento recorrente e um mecanismo de correlação para extrair dependências ocultas do mercado. O artigo mostra como esses módulos são integrados sequencialmente em uma única cadeia computacional, capaz de analisar as séries temporais sob múltiplas perspectivas.

A próxima etapa do nosso trabalho consiste na criação de um módulo para o aprendizado das correlações entre estados. É importante observar que, no framework original, os autores analisavam as correlações entre o quadro atual e versões deslocadas do primeiro quadro da sequência analisada, determinando assim o impulso dinâmico de toda a sequência precedente. Essa abordagem é bastante adequada à análise de sequências fixas e limitadas, nas quais o contexto histórico permanece disponível.

Nossa tarefa, porém, é fundamentalmente diferente: buscamos analisar os dados em tempo real. Na prática, isso significa lidar com sequências potencialmente infinitas. Além disso, a influência dos eventos diminui à medida que nos afastamos deles no tempo, tornando pouco eficiente o uso prolongado de um estado de referência estático.

A primeira solução natural seria utilizar um ponto de referência móvel para a análise. Essa abordagem é simples, preserva o restante da arquitetura sem alterações e permite controlar a magnitude do deslocamento como um hiperparâmetro do modelo, estabelecendo um compromisso entre desempenho e precisão da análise. No entanto, há uma limitação conceitual: cada estado passa a ter sua própria referência, o que torna incomparáveis as correlações entre estados consecutivos, sem falar nas correlações com eventos mais distantes.

Autor: Dmitriy Gizlyk