Discussão do artigo "Redes neurais em trading: modelos de refinamento iterativo de previsões (RAFT)"
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: modelos de refinamento iterativo de previsões (RAFT) foi publicado:
A abordagem RAFT (Recurrent All-Pairs Field Transforms), originalmente desenvolvida em visão computacional para reconstrução de fluxo óptico, não se baseia em uma estimativa grosseira de uma única etapa, mas no refinamento iterativo do estado. O modelo não tenta prever o futuro de uma só vez. Primeiro, constrói uma estimativa inicial e depois a aprimora repetidamente, recorrendo ao campo completo de relações entre os dados de entrada. Esse princípio difere radicalmente das arquiteturas tradicionais, nas quais a previsão é produzida uma única vez e suas deficiências são corrigidas apenas durante o treinamento. No framework RAFT, a própria estrutura do modelo prevê refinamentos dentro de uma única etapa de inferência. É justamente isso que o torna especialmente interessante para aplicações financeiras.
O mercado raramente revela sua intenção de imediato. Um movimento de preço pode começar com uma fase enganosa, ganhar força em seguida e depois perder definição diante de um impulso contrário. Qualquer previsão produzida em uma única etapa é obrigada a assumir uma direção já na primeira estimativa. Um modelo iterativo funciona de outra forma. Ele estabelece uma versão preliminar do futuro e imediatamente verifica sua consistência com as demais relações presentes nos dados, de modo semelhante a um trader experiente que reavalia a situação assim que surge o menor sinal novo. Essa forma de raciocínio está mais próxima da tomada de decisão real do que modelos estáticos rígidos, que mantêm a mesma avaliação até a próxima chamada do modelo.
A principal ideia do RAFT é construir explicitamente um campo multidimensional de correspondências entre todos os pares de elementos dos dados analisados. Na tarefa de fluxo óptico, esses pares correspondem aos pixels de dois quadros. Em dados financeiros, essas correspondências podem relacionar estados de janelas temporais, instrumentos, horizontes temporais e padrões locais de microestrutura. O resultado não é uma aproximação, mas um mapa completo das possíveis interações. Esse mapa permite não apenas identificar uma tendência, mas também compreender como um desvio pode se propagar por dezenas de outras relações. Essa é precisamente a natureza do mercado financeiro: ele não é um sinal linear, mas um campo de múltiplas dependências que não pode ser explicado por uma única direção de movimento.
Autor: Dmitriy Gizlyk