Discussão do artigo "Machine Learning e Data Science (Parte 42): Previsão dos mercados acionários com N-BEATS em Python"
MetaQuotes:
Ótimo artigo, obrigado, Omega.Confira o novo artigo: Ciência de Dados e Aprendizado de Máquina (Parte 46): Previsão dos mercados de ações usando o N-BEATS em Python.
Autor: Omega J Msigwa
Como ele utiliza a transformada rápida de Fourier para a decomposição, o que permite que o modelo capture separadamente tanto a sazonalidade de curto prazo quanto as tendências de longo prazo, o uso do próprio preço de fechamento como entrada ou saída é adequado para o algoritmo N-BEATS?
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 Machine Learning e Data Science (Parte 42): Previsão dos mercados acionários com N-BEATS em Python foi publicado:
N-BEATS (Neural Basis Expansion Analysis for Time Series) é um modelo de aprendizado profundo desenvolvido especificamente para a previsão de séries temporais. Sua arquitetura flexível permite realizar previsões tanto de séries temporais univariadas quanto multivariadas.
O modelo foi apresentado em 2019 por pesquisadores da Element AI (atualmente parte da ServiceNow), no artigo "N-BEATS: Neural basis expansion analysis for interpretable time series forecasting".
Os pesquisadores da Element AI desenvolveram o N-BEATS para desafiar o domínio dos modelos estatísticos clássicos, como ARIMA e ETS, na previsão de séries temporais, preservando ao mesmo tempo as capacidades oferecidas pelos modelos clássicos de machine learning.
Sabemos que a previsão de séries temporais é uma tarefa complexa. Por isso, especialistas em machine learning e usuários às vezes recorrem a modelos de aprendizado profundo, como RNN e LSTM, que frequentemente apresentam as seguintes limitações:
Por outro lado, os modelos tradicionais de previsão de séries temporais, como ARIMA, muitas vezes são simples demais para diversas aplicações.
Diante disso, os autores decidiram desenvolver um modelo de aprendizado profundo para previsão de séries temporais que combinasse bom desempenho, interpretabilidade e a capacidade de funcionar sem ajustes específicos para cada domínio de aplicação.
Autor: Omega J Msigwa