Обсуждение статьи "Нейросети в трейдинге: Модели с использованием вейвлет-преобразования и многозадачного внимания"
Про Gramian Angular Difference Field ничего не планируется?
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: Модели с использованием вейвлет-преобразования и многозадачного внимания:
Предлагаем познакомиться с фреймворком объединяющим вейвлет-преобразование и многозадачную модель Self-Attention, направленную на повышение отзывчивости и точности прогнозирования в условиях нестабильности рынка. Вейвлет-преобразование позволяет разложить доходность активов на высокие и низкие частоты, тщательно фиксируя долгосрочные рыночные тенденции и краткосрочные колебания.
В последние годы глубокое обучение стало незаменимым инструментом в количественных инвестициях, особенно в совершенствовании многофакторных стратегий, которые формируют основу для понимания движения цен финансовых активов. Автоматизируя обучение признакам и фиксируя нелинейные взаимосвязи в данных финансового рынка, алгоритмы глубокого обучения эффективно выявляют сложные закономерности, тем самым повышая точность прогнозирования. Мировое исследовательское сообщество признает потенциал глубоких нейронных сетей, таких как рекуррентные нейронные сети (RNN) и сверточные нейронные сети (CNN), для прогнозирования цен на акции и фьючерсы. Тем не менее использование моделей глубокого обучения, таких как RNN и CNN, хотя и широко распространено, редко исследует более глубокие модели нейронных сетей, которые добывают и конструируют рыночную и выдающую информацию о последовательностях, что предполагает возможности для дальнейшего развития применения глубокого обучения на фондовых рынках.
Сегодня предлагаем познакомиться с фреймворком Multitask-Stockformer, представленном в статье "Stockformer: A Price-Volume Factor Stock Selection Model Based on Wavelet Transform and Multi-Task Self-Attention Networks". Несмотря на созвучность названия с ранее рассмотренным фреймворком StockFormer, фреймворки не имеют ничего общего. Кроме, конечно, цели — генерации прибыльного портфеля акций для работы на фондовом рынке.
Автор: Dmitriy Gizlyk