Prédiction du marché boursier avec un modèle 3D-CNN
Nous présentons ici le travail proposé pour prédire le marché boursier en utilisant un modèle 3D-CNN. Il existe trois types de réseaux neuronaux convolutifs : les CNN 1D, 2D et 3D. Le CNN utilise des processus tels que les fonctions d’activation, la convolution et le pooling pour extraire des caractéristiques des données d’entrée. Le noyau de convolution du 3D CNN glisse à la fois dans les dimensions temporelles et spatiales. Cela permet au 3D CNN d’extraire plus efficacement les caractéristiques spatiales tout en préservant les informations temporelles. En utilisant le 3D CNN, il est possible d’enregistrer plus efficacement les relations entre la vitesse du vent et d’autres caractéristiques à différents moments et emplacements.
Le modèle 3D CNN-GRU utilise des couches de convolution et un décodeur GRU pour extraire les caractéristiques spatiales et temporelles de la vitesse du vent et de l’énergie historique. Cela permet de prédire avec précision les valeurs de puissance. Cela assure une vision complète des données et de nouvelles prédictions plus précises pour le marché boursier.
Intégration 3D-CNN-GRU : Avantages
L’intégration du 3D-CNN et du GRU permet au modèle de capturer simultanément des caractéristiques spatiales et temporelles complexes, ce qui se traduit par une meilleure compréhension des données.
En combinant les forces du 3D-CNN et du GRU, le modèle hybride atteint une précision supérieure dans la prédiction des tendances du marché boursier par rapport à l’utilisation seule de chaque technique.
Cette intégration de ces deux techniques de réseaux neuronaux puissantes améliore la robustesse et la généralisabilité du modèle, le rendant plus efficace dans différentes conditions de marché et jeux de données.
Optimisation avec l’algorithme de coagulation sanguine
L’algorithme BCA est utilisé pour l’optimisation des hyperparamètres du modèle 3D-CNN. Inspiré par le processus biologique de la coagulation sanguine, le BCA optimise le modèle pour maximiser sa performance. Le BCA permet d’explorer un large éventail de combinaisons d’hyperparamètres pour identifier les plus efficaces, améliorant ainsi les performances du modèle.
L’utilisation du BCA pour l’optimisation des hyperparamètres garantit que le modèle 3D-CNN-GRU est parfaitement réglé pour atteindre des performances optimales. Ce processus de réglage est essentiel pour améliorer la précision prédictive et la robustesse du modèle, le rendant plus efficace pour la prévision du marché boursier.
Source : www.nature.com