Обсуждение статьи "Нейросети в трейдинге: Контрастный Трансформер паттернов"
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Опубликована статья Нейросети в трейдинге: Контрастный Трансформер паттернов:
Контрастный Transformer паттернов осуществляет анализ рыночных ситуаций, как на уровне отдельных свечей, так и целых паттернов. Что способствует повышению качества моделирования рыночных тенденций. А применение контрастного обучения для согласования представлений свечей и паттернов ведет к саморегуляции и повышению точности прогнозов.
При анализе рыночных ситуаций с помощью машинного обучения мы часто фокусируемся на отдельных свечах и их характеристиках, упуская из виду свечные паттерны, которые часто могут предоставить более значимую информацию. Паттерны являются стабильными свечными структурами, возникающими в аналогичных рыночных условиях, и могут содержать критически важные закономерности.
Ранее мы познакомились с фреймворком Molformer, заимствованным из области прогнозирования молекулярных свойств. Авторы Molformer объединили представление атомов и мотивов в одну последовательность, что позволило предоставить модели информацию о структуре анализируемых данных. В то же время это привело к постановке довольно сложной задачи разделения зависимостей между узлами различных типов. Однако существуют альтернативные методы, лишенные данной проблемы.
К примеру, фреймворк Atom-Motif Contrastive Transformer (AMCT), представленный в работе "Atom-Motif Contrastive Transformer for Molecular Property Prediction". Для объединения двух уровней взаимодействий и повышения способности молекулярной репрезентации авторы AMCT предложили построить контрастное обучение атом-мотив. Учитывая, что представления атомов и мотивов молекулы на самом деле являются двумя разными представлениями одного и того же экземпляра, они естественным образом выравниваются в процессе обучения. Таким образом, они могут совместно подавать сигналы самоконтроля и тем самым повышать надежность выученного молекулярного представления.
Автор: Dmitriy Gizlyk