Обсуждение статьи "Нейросети в трейдинге: Двухмерные модели пространства связей (Chimera)"

[MetaQuotes]

Опубликована статья Нейросети в трейдинге: Двухмерные модели пространства связей (Chimera):

Откройте для себя инновационный фреймворк Chimera — двухмерную модель пространства состояний, использующую нейросети для анализа многомерных временных рядов. Этот метод предлагает высокую точность с низкими вычислительными затратами, превосходя традиционные подходы и архитектуры Transformer.

Классические статистические методы требуют значительной предобработки исходных данных и не всегда адекватно захватывают сложные нелинейные зависимости. Глубокие нейросетевые архитектуры продемонстрировали высокую выразительность, но квадратичная вычислительная сложность моделей на основе архитектуры Transformer делает их трудно применимыми для многомерных временных рядов с большим количеством анализируемых признаков. Кроме того, такие модели часто не различают сезонные и долгосрочные компоненты, либо используют жесткие априорные допущения, что снижает их адаптивность в различных прикладных сценариях.

Один из вариантов решения указанных проблем был предложен в работе "Chimera: Effectively Modeling Multivariate Time Series with 2-Dimensional State Space Models". Фреймворк Chimera — это двухмерная модель пространства состояний (2D-SSM), которая использует линейные преобразования как вдоль временной оси, так и вдоль оси переменных. Фреймворк Chimera включает три основных компоненты — модели пространства состояний вдоль временного измерения, вдоль анализируемых переменных и поперечных переходов между этими измерениями. Параметризация Chimera основана на компактных диагональных матрицах, что делает её способной восстанавливать как классические статистические методы, так и современные SSM-архитектуры.

Дополнительно, Chimera использует адаптивную дискретизацию для учета сезонных паттернов и особенностей динамических систем.

Автор: Dmitriy Gizlyk