Могут ли трансформеры обнаруживать аномалии на фондовом рынке и прогнозировать цены с большей точ... скачать в хорошем качестве

Могут ли трансформеры обнаруживать аномалии на фондовом рынке и прогнозировать цены с большей точ...

В этом эксперименте мы сравним модели LSTM и Transformer для обнаружения аномалий во временных рядах и краткосрочного прогнозирования, используя пятилетние данные по акциям Microsoft. Исследование начинается с объяснения того, что это сравнение полезно для оценки моделирования временной зависимости, устойчивости, компромиссов при развертывании, объяснимости и поведения при обнаружении аномалий. После загрузки данных об открытии, максимуме, минимуме, закрытии и объеме, инженеры рабочего процесса создают чувствительные к аномалиям признаки, такие как логарифмическая доходность, процент ценового диапазона, изменение открытия-закрытия, изменение объема, разрыв скользящей средней и реализованная волатильность. Затем создается слабая метка аномалии с использованием 1% лучших абсолютных логарифмических доходностей, чтобы модели можно было оценить на фоне необычного поведения рынка. Данные масштабируются, преобразуются в 30-дневные скользящие последовательности и используются для обучения как автокодировщика LSTM, так и автокодировщика Transformer. В процессе обучения потери при реконструкции у Transformer снизились значительно сильнее, чем у LSTM, что говорит о том, что он более эффективно изучил структуру временного ряда. По показателям обнаружения аномалий Transformer превзошел LSTM, показав более высокие значения ROC-AUC и PR-AUC, что указывает на лучшую идентификацию редких аномальных периодов. Результаты показывают, что Transformer лучше улавливает долгосрочные взаимосвязи, сдвиги режима волатильности, внезапное расширение диапазона и изменения структуры объемов на протяжении всей последовательности. В ноутбуке также Transformer расширен до модели прогнозирования, которая предсказывает будущие цены MSFT на 1, 5 и 21 день, а также интервалы прогнозирования с уровнями достоверности 50%, 78% и 92%. В целом, эксперимент показывает, что Transformer может обеспечить более эффективное обнаружение аномалий и гибкое прогнозирование на финансовых временных рядах, хотя LSTM могут оставаться конкурентоспособными при меньших размерах наборов данных и более краткосрочных закономерностях.