Discusión sobre el artículo "Redes neuronales: así de sencillo (Parte 72): Predicción de trayectorias en entornos ruidosos"
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Artículo publicado Redes neuronales: así de sencillo (Parte 72): Predicción de trayectorias en entornos ruidosos:
La calidad de las predicciones de los estados futuros desempeña un papel importante en el método Goal-Conditioned Predictive Coding, del que hablamos en el artículo anterior. En este artículo quiero presentarte un algoritmo que puede mejorar significativamente la calidad de la predicción en entornos estocásticos, como los mercados financieros.
Predecir el movimiento futuro de un activo analizando sus trayectorias históricas es importante en el contexto de la negociación en los mercados financieros, donde el análisis de las tendencias pasadas puede ser un factor clave para el éxito de una estrategia. Las trayectorias futuras de los activos suelen contener incertidumbre debido a los cambios en los factores subyacentes y a la reacción del mercado ante ellos, lo que determina muchos posibles movimientos futuros de los activos. Por lo tanto, un método eficaz para predecir los movimientos del mercado debe ser capaz de generar una distribución de posibles trayectorias futuras, o al menos varios escenarios plausibles.
A pesar de la considerable variedad de arquitecturas existentes para las predicciones más probables, los modelos pueden enfrentarse al problema de las previsiones demasiado simplistas a la hora de predecir las trayectorias futuras de los activos financieros. El problema persiste porque el modelo interpreta de forma restrictiva los datos del conjunto de entrenamiento. En ausencia de patrones claros de las trayectorias de los activos, el modelo de predicción acaba generando escenarios de movimientos simples u homogéneos que son incapaces de captar la diversidad de cambios en el movimiento de los instrumentos financieros. Esto puede provocar una disminución de la precisión de las previsiones.
Los autores del artículo "Enhancing Trajectory Prediction through Self-Supervised Waypoint Noise Prediction" ofrecen un nuevo enfoque para resolver estos problemas, Self-Supervised Waypoint Noise Prediction (SSWNP), que consta de dos módulos:
Autor: Dmitriy Gizlyk