HARN-architectuur voor efficiëntere voorspellingen van financiële tijdreeksen
Er is een nieuwe methode ontwikkeld genaamd HARN voor het voorspellen van financiële reeksen over meerdere tijdsbestekken. De architectuur houdt persistente representaties bij en verwerkt alleen nieuwe informatie wanneer dat daadwerkelijk nodig is.
Financiële data ontwikkelt zich doorgaans op verschillende temporele niveaus tegelijk, wat voorspellingsmodellen voor complexe uitdagingen stelt. Vaak moeten systemen grote hoeveelheden data telkens opnieuw berekenen. Het voorgestelde Hierarchical Associative Resonance Network pakt dit aan door permanente representaties te behouden en onderdelen pas bij te werken op het moment dat er nieuwe gegevens beschikbaar komen.
Door gebruik te maken van causale multi-scale temporele codering en geassocieerd geheugen, probeert het systeem efficiënter om te gaan met tijdgebonden informatie. Dit past in een bredere trend binnen machine learning waarin efficiëntie en geheugenbeheer bij sequentiële data steeds belangrijker worden, met name in domeinen waar data continu en in wisselende tempo's binnenkomt.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.LG). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel