文章 "交易中的神经网络：用于时间序列预测的轻量级模型"

[MetaQuotes]

新文章 交易中的神经网络：用于时间序列预测的轻量级模型已发布：

轻量级时间序列预测模型使用最少的参数数量实现高性能。这反过来减少了计算资源的消耗并加快了决策速度。尽管是轻量级的，这些模型实现了与更复杂模型相当的预测质量。

精确的长期时间序列预测的基础在于数据中固有的周期性和趋势。此外，长期以来我们观察到货币对的价格变动与特定的交易时段密切相关。例如，如果将日时间序列在一天中的特定时间进行离散化，每个子序列都表现出相似或连续的趋势。在这种情况下，原始序列的周期性和趋势将被分解和转换。周期性模式被转换为子序列间的动态，而趋势模式则被重新解释为子序列内在特征。这种分解为开发用于长期时间序列预测的轻量级模型开辟了新途径，这是论"文SparseTSF：使用1千个参数对长期时间序列预测进行建模”中探讨的方法。

在他们的工作中，作者首次研究了如何利用周期性和数据分解来构建专门的轻量级时间序列预测模型。这种方法使他们能够提出SparseTSF，这是一种用于长期时间序列预测的极其轻量级的模型。

作者提出了一种跨周期稀疏预测的技术方法。首先，将输入数据划分为恒定周期性序列。然后对每个降采样的子序列进行预测。这样，原始的时间序列预测问题就简化为预测周期间趋势的问题。

作者：Dmitriy Gizlyk