Discussão do artigo "Redes neurais de maneira fácil (Parte 72): previsão de trajetórias em condições de ruído"
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Novo artigo Redes neurais de maneira fácil (Parte 72): previsão de trajetórias em condições de ruído foi publicado:
A qualidade da previsão de estados futuros desempenha um papel importante no método Goal-Conditioned Predictive Coding, com o qual nos familiarizamos no artigo anterior. Neste artigo, quero apresentar a vocês um algoritmo capaz de aumentar significativamente a qualidade da previsão em ambientes estocásticos, que incluem os mercados financeiros.
Prever o movimento futuro de um ativo analisando suas trajetórias históricas é de grande importância no contexto do trading em mercados financeiros, onde a análise de tendências passadas pode ser um fator chave para uma estratégia bem-sucedida. As trajetórias futuras dos ativos frequentemente apresentam incerteza devido à mudança de fatores fundamentais e à reação do mercado a esses fatores, o que determina múltiplos movimentos futuros potenciais para os ativos. Com isso em mente, um método eficaz de previsão de movimentos nos mercados deve ser capaz de gerar uma distribuição de trajetórias futuras potenciais ou, pelo menos, alguns cenários prováveis.
Apesar da diversidade significativa de soluções arquitetônicas existentes para previsões mais prováveis, no processo de previsão de trajetórias futuras de ativos financeiros, os modelos podem enfrentar o problema de previsões excessivamente simplificadas. Esse problema persiste devido à interpretação restrita dos dados da amostra de treinamento pelo modelo. Na ausência de padrões claros de trajetórias dos ativos, o modelo de previsão gera cenários simples ou homogêneos de movimento, incapazes de capturar a diversidade das mudanças nos movimentos dos instrumentos financeiros, o que pode diminuir a precisão das previsões.
Para resolver esses problemas, no artigo "Enhancing Trajectory Prediction through Self-Supervised Waypoint Noise Prediction" foi proposta uma nova abordagem, Self-Supervised Waypoint Noise Prediction (SSWNP), que consiste em dois módulos:
Autor: Dmitriy Gizlyk