Обсуждение статьи "Нейросети в трейдинге: Прогнозирование временных рядов при помощи адаптивного модального разложения (ACEFormer)"

[MetaQuotes]

Опубликована статья Нейросети в трейдинге: Прогнозирование временных рядов при помощи адаптивного модального разложения (ACEFormer):

Предлагаем познакомиться с архитектурой ACEFormer — современным решением, сочетающим эффективность вероятностного внимания и адаптивное разложение временных рядов. Материал будет полезен тем, кто ищет баланс между вычислительной производительностью и точностью прогноза на финансовых рынках.

Попытки построить модели прогнозирования предпринимались ещё в конце XX века. Простейшие нейросетевые архитектуры показали, что в принципе, можно учить модели прогнозировать рыночные движения. Однако эти подходы страдали от неспособности удерживать информацию на длинных временных интервалах и быстро забывали то, что происходило немного ранее.

С появлением архитектуры LSTM ситуация улучшилась. Эти модели, обладая механизмами памяти, могли удерживать важные закономерности на протяжении более длительных временных промежутков. Они получили широкое распространение в задачах прогнозирования временных рядов. Но и здесь не всё оказалось просто. Финансовые ряды — это не обычные временные последовательности. Они нерегулярны. В них часто отсутствует равномерность между тиками. И в них крайне много краткосрочных всплесков, не несущих значимой информации о направлении тренда.

Особенно серьёзную проблему представляет собой высокочастотная торговля. Она создает так называемый рыночный шум — многократные колебания котировок в пределах очень коротких интервалов времени. Эти колебания маскируют настоящие тренды, делают данные нестабильными, перегружают модель несущественными событиями. В результате, даже сложные архитектуры начинают фокусироваться не на том, что важно, а на том, что лишь отвлекает.

Для решения указанных задач, в работе "An End-to-End Structure with Novel Position Mechanism and Improved EMD for Stock Forecasting", был предложен фреймворк ACEFormer, который представляет собой интегрированный алгоритм для анализа биржевых временных рядов, специально адаптированный к условиям высокочастотной торговли. Это не просто модель, а система взаимодополняющих компонентов, каждый из которых решает конкретную задачу: фильтрацию шума, учёт временных интервалов и акцентирование внимания на ключевых изменениях.