Novos insights sobre o estudo comparativo entre modelos LSTM e Transformer para previsão de séries temporais financeiras

Resumo

Este estudo investiga o impacto de arquiteturas de modelos de aprendizado profundo e técnicas de otimização na previsão de séries temporais financeiras, com foco em modelos baseados em transformadores e redes de memória de longo prazo. Métodos de otimização como Estimativa de Momento Adaptativa e Estimativa de Momento Adaptativa com Norma Infinita desempenham um papel crítico no aprimoramento da eficiência do treinamento e da precisão da previsão, enquanto decisões arquitetônicas determinam a capacidade de cada modelo de capturar dependências de curto e longo prazo em dados sequenciais. Utilizando conjuntos de dados que incluem preços de ações da Microsoft e da NVIDIA, os modelos são avaliados com base em métricas como Erro Percentual Absoluto Médio, Erro Quadrático Médio, variância da previsão e velocidade de treinamento. Os resultados demonstram os pontos fortes complementares dos transformadores e das redes de memória de longo prazo, ressaltando a importância de arquiteturas personalizadas e estratégias de otimização na previsão financeira baseada em aprendizado profundo.