Nuevas perspectivas sobre el estudio comparativo entre los modelos LSTM y Transformer para la predicción de series temporales financieras

Resumen

Este estudio investiga el impacto de las arquitecturas de modelos de aprendizaje profundo y las técnicas de optimización en la predicción de series temporales financieras, centrándose en modelos basados ​​en transformadores y redes de memoria a corto y largo plazo. Métodos de optimización como la Estimación de Momento Adaptativo y la Estimación de Momento Adaptativo con Norma Infinita desempeñan un papel fundamental en la mejora de la eficiencia del entrenamiento y la precisión de la predicción, mientras que las decisiones arquitectónicas determinan la capacidad de cada modelo para capturar dependencias a corto y largo plazo en datos secuenciales. Utilizando conjuntos de datos que incluyen precios de acciones de Microsoft y NVIDIA, los modelos se evalúan con base en métricas como el Error Porcentual Absoluto Medio, el Error Cuadrático Medio, la varianza de la predicción y la velocidad de entrenamiento. Los resultados demuestran las fortalezas complementarias de los transformadores y las redes de memoria a corto y largo plazo, lo que subraya la importancia de las arquitecturas a medida y las estrategias de optimización en la predicción financiera basada en aprendizaje profundo.