文章 "交易中的神经网络：将全局信息注入独立通道（InjectTST）"

[MetaQuotes]

新文章 交易中的神经网络：将全局信息注入独立通道（InjectTST）已发布：

大多数现代多模态时间序列预测方法都采用了独立通道方式。这忽略了同一时间序列不同通道的天然依赖性。巧妙地运用两种方式（独立通道和混合通道），是提高模型性能的关键。

近年来，基于变换器架构进行多模态时间序列预测已得到广泛普及，并逐渐成为时间序列分析的首选模型之一。模型越来越多地采用独立通道方式，其中模型单独处理每个通道序列，而不与其它通道序列交互。

通道独立性有两个主要优势：

1. 噪声抑制：独立模型能专注于各自通道的预测，而不受其它通道噪声的影响。
2. 缓解分布漂移：通道独立性有助于解决时间序列中的分布漂移问题。

相反，混合通道在应对这些挑战时往往效果较差，这就会导致模型性能下降。不过，通道混合也具有独特的优势：

1. 高信息容量：通道混合模型擅长捕获通道间依赖关系，潜在为预测未来值提供更多信息。
2. 通道特异性：在通道混合模型中优化多个通道，令模型能够完全发挥每个通道的各异特征。

甚至，由于独立通道方式通过统一模型分析各个通道，故该模型无法区分通道，专注点主要放在跨多个通道之间的共享形态。这会导致通道各异性的丧失，且或许对多模态时间序列预测产生负面影响。

 

作者：Dmitriy Gizlyk