文章 "交易中的神经网络：时空神经网络（STNN）"

[MetaQuotes]

新文章 交易中的神经网络：时空神经网络（STNN）已发布：

在本文中，我们将谈及使用时空变换来有效预测即将到来的价格走势。为了提高 STNN 中的数值预测准确性，提出了一种连续注意力机制，令模型能够更好地参考数据的重要方面。

为了解决多元数据的复杂性，基于延迟嵌入定理开发了时空信息（STI）变换方程。STI 方程将多元空间信息变换到目标变量的时态。这有效地提升了样本量，并缓解了短期数据招致的挑战。

基于变换器的模型，均已精熟处理数据序列，它运用自注意力机制来分析变量之间的关系，同时忽略它们的相对距离。这些注意力机制捕获全局信息，并专注于最相关的特征，从而减轻维度的诅咒。

在研究《时间序列预测的时空变换器神经网络》时，提出了一种时空变换器神经网络（STNN），实现了多元短期时间序列的高效多步骤预测。这种方式利用了 STI 方程和变换器框架的优势。

作者强调他们提议方法的若干主要益处：

1. STNN 使用 STI 方程将多元空间信息转换为目标变量的时态演变，从而有效地增加样本量。
2. 提议一种持续注意力机制来提高数值预测的准确性。
3. STNN 中的空间自注意力结构从多变量中收集有效的空间信息，而时态自注意力结构收集有关时态演变的信息。变换器结构结合了空间和时态信息。
4. STNN 模型能够针对时间序列预测重造动态系统的相空间。

作者：Dmitriy Gizlyk

[Hao Qing Feng]

量化收益很小，无法跟人的交易比较