文章 "神经网络变得简单（第 91 部分）：频域预测（FreDF）" 新评论 MetaQuotes 2025.02.13 08:04 新文章 神经网络变得简单（第 91 部分）：频域预测（FreDF）已发布： 我们继续探索时间序列在频域中的分析和预测。在本文中，我们将领略一种在频域中预测数据的新方法，它可被加到我们之前研究过的众多算法当中。 日益博得追捧的模型当中，那些基于变换器架构的模型会用到自关注机制进行动态自相关评测。还有，我们还看到在预测模型中运用频域分析的兴趣正在提升。输入数据序列以频域表示有助于避免自相关性描述的复杂性，并提升各种模型的成效。 另一个重要层面是预测值序列中的自相关性。显然，预测值是大型时间序列的一部分，其中包括所分析和预测的序列。因此，预测值保留了所分析数据的相关性。但这种现象在现代预测方法中往往被忽视。特别是，现代方法的主流采用直接预测（DF）范式，其会同步生成多阶段预测。这隐式地假定预测值序列中步骤的独立性。模型假设和数据特征之间的这种错位，其结果就是预测品质欠佳。 该问题的解决方案之一已于论文《FreDF：在频域中学习预测》中提出。该论文的作者提出了一种频率增益（FreDF） 的直接预测方法。它通过在频域中对齐预测值和标签序列来阐明 DF 范式。当转至频域时，其中基级相互正交且独立，自相关性的影响被有效降低。因此，FreDF 防止了有关 DF 假设、与标签自相关存在之间的不一致，同时维护了 DF 的优势。 该方法的作者在一连串实验中测试了其有效性，证明所提议方式具有碾压现代方法的显著优势。 作者：Dmitriy Gizlyk 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
新文章 神经网络变得简单（第 91 部分）：频域预测（FreDF）已发布：
我们继续探索时间序列在频域中的分析和预测。在本文中，我们将领略一种在频域中预测数据的新方法，它可被加到我们之前研究过的众多算法当中。
日益博得追捧的模型当中，那些基于变换器架构的模型会用到自关注机制进行动态自相关评测。还有，我们还看到在预测模型中运用频域分析的兴趣正在提升。输入数据序列以频域表示有助于避免自相关性描述的复杂性，并提升各种模型的成效。
另一个重要层面是预测值序列中的自相关性。显然，预测值是大型时间序列的一部分，其中包括所分析和预测的序列。因此，预测值保留了所分析数据的相关性。但这种现象在现代预测方法中往往被忽视。特别是，现代方法的主流采用直接预测（DF）范式，其会同步生成多阶段预测。这隐式地假定预测值序列中步骤的独立性。模型假设和数据特征之间的这种错位，其结果就是预测品质欠佳。
该问题的解决方案之一已于论文《FreDF：在频域中学习预测》中提出。该论文的作者提出了一种频率增益（FreDF） 的直接预测方法。它通过在频域中对齐预测值和标签序列来阐明 DF 范式。当转至频域时，其中基级相互正交且独立，自相关性的影响被有效降低。因此，FreDF 防止了有关 DF 假设、与标签自相关存在之间的不一致，同时维护了 DF 的优势。
该方法的作者在一连串实验中测试了其有效性，证明所提议方式具有碾压现代方法的显著优势。
作者：Dmitriy Gizlyk