Обсуждение статьи "Машинное обучение и Data Science (Часть 47): Прогнозирование рынка с помощью модели DeepAR на Python"

[MetaQuotes]

Опубликована статья Машинное обучение и Data Science (Часть 47): Прогнозирование рынка с помощью модели DeepAR на Python:

В этой статье мы попробуем спрогнозировать движения рынка с помощью достаточно хорошей модели прогнозирования временных рядов под названием DeepAR. Модель представляет собой сочетание глубоких нейронных сетей и авторегрессионных свойств, характерных для таких моделей, как ARIMA и VAR (векторная авторегрессионная модель).

Прогнозирование временных рядов никогда не было простой задачей в области машинного обучения; для решения этой проблемы было предложено несколько методов и моделей, однако большинство из них не принесло однозначного успеха. Линейные и нелинейные модели зачастую также не способны справиться с этой задачей, несмотря на то, что в некоторых случаях они демонстрируют неплохие результаты при прогнозировании данных временных рядов.

Для решения задач прогнозирования временных рядов трейдеры обращаются к моделям на основе нейронных сетей, таким как рекуррентные нейронные сети (RNN).

Однако RNN больше похожи на нелинейные модели, чем на модели временных рядов. Те, кто знаком с авторегрессионной интегрированной моделью скользящего среднего (ARIMA) и векторной авторегрессионной моделью (VAR), возможно, уже заметили это. Этим моделям действительно требуются дополнительные шаги по подготовке данных в виде окон, чтобы нейронная сеть могла учитывать паттерны временных рядов; при этом они все равно не рассчитаны на сезонные паттерны, которые традиционные модели прогнозирования временных рядов учитывают.

Автор: Omega J Msigwa

[Osmar Sandoval Espinosa]

Очень интересная статья!

Есть ли у вас какие-нибудь книги, с которыми я мог бы ознакомиться, чтобы глубже изучить эту тему?

Я читал об ARIMA, GARCH и VAR, но не знаю, где можно найти дополнительную информацию об ARIMA и моделях машинного обучения!