Diskussion zum Artikel "MQL5-Assistent - Techniken, die Sie kennen sollten (14): Zeitreihenvorhersage mit mehreren Zielvorgaben durch STF"
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Neuer Artikel MQL5-Assistent - Techniken, die Sie kennen sollten (14): Zeitreihenvorhersage mit mehreren Zielvorgaben durch STF :
Die räumlich-zeitliche Fusion, bei der sowohl räumliche als auch zeitliche Metriken zur Modellierung von Daten verwendet werden, ist vor allem bei der Fernerkundung und einer Vielzahl anderer visueller Aktivitäten nützlich, um ein besseres Verständnis unserer Umgebung zu erlangen. Dank eines veröffentlichten Artikels verfolgen wir einen neuen Ansatz, indem wir sein Potenzial für Händler untersuchen.
Dieser Artikel über Spatial Temporal Fusion (STF) hat mein Interesse an diesem Thema geweckt, da es einen zweiseitigen Ansatz für die Vorhersage bietet. Zur Auffrischung: Der Artikel ist inspiriert von der Lösung eines wahrscheinlichkeitsbasierten Prognoseproblems, das sowohl für das Angebot als auch für die Nachfrage in zweiseitigen Ride-Hailing-Plattformen, wie Uber und Didi, kollaborativ ist. Kollaborative Beziehungen zwischen Angebot und Nachfrage sind in verschiedenen zweiseitigen Märkten wie Amazon, Airbnb und eBay üblich, in denen das Unternehmen im Wesentlichen nicht nur den traditionellen „Kunden“ oder Käufer bedient, sondern auch die Lieferanten des Kunden beliefert.
Daher kann eine zweiseitige Vorhersage in einem Fall, in dem das Angebot teilweise von der Nachfrage abhängt, für diese Unternehmen häufig wichtig sein. Diese doppelte Projektion von Angebot und Nachfrage war allerdings ein Bruch mit dem herkömmlichen Ansatz, einen bestimmten Wert für eine Zeitreihe oder einen Datensatz zu prognostizieren. In dem Artikel wurde auch ein so genannter Kausaltrans-Rahmen eingeführt, bei dem die kausale „kollaborative“ Beziehung zwischen Angebot und Nachfrage durch eine Matrix G erfasst wurde und alle Prognosen über ein Transformer-Netz erstellt wurden, und die Ergebnisse waren bemerkenswert.
In Anlehnung daran versuchen wir, Angebot und Nachfrage nach gehandelten Wertpapieren zu prognostizieren, indem wir Baisse und Hausse als Näherungswerte für diese beiden Messgrößen verwenden. Streng genommen berechnet die typische Expert-Signal-Klasse jedoch beide Werte als Ganzzahlen im Bereich von 0-100, wie in den MQL5-Bibliotheksdateien oder den Dateien zu sehen ist, die wir in dieser Serie bisher kodiert haben. Neu wäre jedoch die Hinzufügung einer räumlichen Matrix und eines Zeitparameters bei der Erstellung unserer Prognosen (die beiden zusätzlichen Eingaben, die wir in dem Artikel zitieren).
Die räumliche Quantisierung von Wertpapieren ist subjektiv, ebenso wie die Wahl der Zeitmetrik. Wir verwenden die Hoch- und Niedrigpreisreihen von Wertpapieren als Anker für Angebot und Nachfrage und nutzen die Autokorrelationswerte zwischen diesen Puffern als Koordinaten für eine räumliche Matrix sowie den Wochentagsindex als Zeitindikator. Dieser rudimentäre Ansatz, der angepasst und verbessert werden kann, dient unseren Zwecken für diesen Artikel.
In dem Artikel wurden Transformer-Netzwerke verwendet, die wir nicht einsetzen werden, da sie für unsere Zwecke ineffizient sind, aber alle Prognosen werden durch ein nutzerdefiniertes handcodiertes mehrschichtiges Perzeptron erstellt. Bei so vielen Bibliotheken und Codebeispielen zu diesem Thema scheint es Zeitverschwendung zu sein, sein eigenes mehrschichtiges Perzeptron zu programmieren. Die verwendete Netzwerkklasse ist jedoch weniger als 300 Zeilen lang und lässt sich in Bezug auf die Anzahl der Schichten und die Größe der einzelnen Schichten gut skalieren, was in den meisten der verfügbaren Standardbibliotheken noch fehlt.
Autor: Stephen Njuki