Продолжаем разговор об использовании кусочно-линейного представления временных рядов, начатый в предыдущей статье. И сегодня мы поговорим о комбинировании данного метода с другими подходами к анализу временных рядов для повышения качества прогнозирования трендов ценовых движений.
Существует обширное количество исследований, посвященных прогнозированию и анализу финансовых временных рядов. Статистические методы анализа часто предполагают, что временные ряды генерируются линейными процессами, что приводит к их низкой эффективности в нелинейном прогнозировании. Методы машинного и глубокого обучения показали себя более успешными в моделировании финансовых временных рядов благодаря своей способности нелинейного отображения. Значительное количество исследований было проведено для извлечения признаков в конкретные временные моменты и их использования для моделирования и прогнозирования результатов. Однако такие подходы игнорируют взаимодействие данных и краткосрочную непрерывность колебаний.
С целью устранения указанных пробелов, в работе "A Dual-Attention-Based Stock Price Trend Prediction Model With Dual Features" был предложен метод двойного извлечения данных. Он опирается как на одиночные временные точки, так и на множественные временные моменты. Этот метод сочетает краткосрочные рыночные признаки с долгосрочными временными признаками для повышения точности прогнозирования. Предлагаемая модель основана на архитектуре "Энкодер—Декодер" и использует механизм внимания на этапах Энкодера и Декодера, что позволяет выявлять наиболее релевантные признаки в длинных временных рядах.
В указанной работе представлена новая модель прогнозирования трендов цен на акции (Trend Prediction Model — TPM), которая использует механизмы двойного извлечения признаков и двойного внимания. Цель модели TPM заключается в прогнозировании направления и продолжительности движения цен на акции. Авторы метода выделяют следующие основные вклады предложенных подходов:
Новый метод двойного извлечения признаков, основанный на различных временных диапазонах, который эффективно извлекает важную рыночную информацию и оптимизирует результаты прогнозирования. В TPM используются метод кусочно-линейной регрессии и сверточная нейронная сеть для извлечения долгосрочных и краткосрочных рыночных признаков финансовых временных рядов, соответственно. Описание рыночной информации с помощью двойных признаков улучшает производительность модели прогнозирования.
Модель прогнозирования тенденций цен на акции (TPM) с использованием структуры "Энкодер—Декодер" и двойного механизма внимания. Добавление механизмов внимания на этапах Энкодера и Декодера позволяет модели TPM адаптивно выбирать наиболее релевантные краткосрочные рыночные признаки и комбинировать их с долгосрочными временными признаками для повышения точности прогнозирования.
Для авторизации и пользования сайтом MQL5.com необходимо разрешить использование файлов Сookie.
Пожалуйста, включите в вашем браузере данную настройку, иначе вы не сможете авторизоваться.
Вы вошли в аккаунт. Двухфакторная аутентификация отключена. Настройте её заново и отсканируйте новый QR-код или продолжите с отключённой двухфакторной аутентификацией.
Опубликована статья Нейросети в трейдинге: Модель двойного внимания для прогнозирования трендов:
Продолжаем разговор об использовании кусочно-линейного представления временных рядов, начатый в предыдущей статье. И сегодня мы поговорим о комбинировании данного метода с другими подходами к анализу временных рядов для повышения качества прогнозирования трендов ценовых движений.
Существует обширное количество исследований, посвященных прогнозированию и анализу финансовых временных рядов. Статистические методы анализа часто предполагают, что временные ряды генерируются линейными процессами, что приводит к их низкой эффективности в нелинейном прогнозировании. Методы машинного и глубокого обучения показали себя более успешными в моделировании финансовых временных рядов благодаря своей способности нелинейного отображения. Значительное количество исследований было проведено для извлечения признаков в конкретные временные моменты и их использования для моделирования и прогнозирования результатов. Однако такие подходы игнорируют взаимодействие данных и краткосрочную непрерывность колебаний.
С целью устранения указанных пробелов, в работе "A Dual-Attention-Based Stock Price Trend Prediction Model With Dual Features" был предложен метод двойного извлечения данных. Он опирается как на одиночные временные точки, так и на множественные временные моменты. Этот метод сочетает краткосрочные рыночные признаки с долгосрочными временными признаками для повышения точности прогнозирования. Предлагаемая модель основана на архитектуре "Энкодер—Декодер" и использует механизм внимания на этапах Энкодера и Декодера, что позволяет выявлять наиболее релевантные признаки в длинных временных рядах.
В указанной работе представлена новая модель прогнозирования трендов цен на акции (Trend Prediction Model — TPM), которая использует механизмы двойного извлечения признаков и двойного внимания. Цель модели TPM заключается в прогнозировании направления и продолжительности движения цен на акции. Авторы метода выделяют следующие основные вклады предложенных подходов:
Автор: Dmitriy Gizlyk