Нейросети и традиционные алгоритмы

Применение методов классификации к изучению временных рядов может дать ответ на крайние важный вопрос, которым задается трейдер, глядя на текущие графики: What the hell is going on now?

До всяких нейросетей неплохие результаты могут дать традиционные методы классификации.

Euclidean MatchingМасштабирование, учет дальних корреляций, выявление паттернов, дискретное преобразование Фурье, частотный анализ и фильтрация шумов (путем отбрасывания высокочастотных хвостов), методы ближайших соседей, линейная регрессия, решающие деревья, байесовские методы, методы опорных векторов и пр., все это с помощью разных хитростей применимо к временным рядам. Тут главное, конечно, использование подходящих метрик.

Заметное улучшение результатов могут дать гибридные методы. Если нейросеть кормить не сырыми данными, а коэффициентами дискретного преобразования Фурье (лучше и тем, и тем), ей может стать гораздо легче сориентироваться в происходящем. По той причине, что в спектре присутствуют паттерны разных масштабов, в отличие, например, от фиксированного размера свертки.

Два главных недостатка нейросетей по отношению к традиционным методам — высокая сложность вычислений (потребность в больших ресурсах) и крайне низкая интерпретируемость. Результат может быть очень хорошим, но объяснить его нельзя. Что ж, в прикладных задачах хороший результат важнее интерпретируемости.

Источник: VK.com

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *