پیش بینی رویداد محور: گسترش مدل های فضایی حالت مامبا برای پیش بینی مشروط

تصور کنید که سعی می کنید قیمت سهام را پیش بینی کنید ، اما به جای اینکه فقط حدس بزنید که آیا فردا قیمت بالا می رود یا پایین می آید ، شما یک سؤال هوشمندانه می پرسید: اگر قیمت فردا از آستانه خاصی عبور کند ، چه اتفاقی می افتد؟ به عنوان مثال ، اگر قیمت سهام زیر سطح پشتیبانی کلیدی کاهش یابد ، احتمالاً در روزهای بعد چه اتفاقی می افتد؟ این نوع پیش بینی مشروط نه تنها بینش تر است بلکه تصمیمات دنیای واقعی را که در بازارهای مالی گرفته شده است ، آینه می کند.

مشکل این است که مدل های سری زمانی سنتی برای این سناریوهای “چه می شود” ساخته نشده است. اینجاست که نظریه تصمیم گیری مارکوف با مدل های فضایی دولتی عصبی مانند مامبا ملاقات می کند تا چیز جدیدی ایجاد کند. با گسترش چارچوب فضایی کلاسیک ایالتی ، می توانیم شرایط آینده – مانند “رویداد قیمت فردا” – را مستقیماً در فرایند پیش بینی پختیم. به آن فکر کنید که به مدل یک توپ کریستالی داده می شود ، و به آن اجازه می دهد نه تنها گذشته بلکه آنچه ممکن است در آینده اتفاق بیفتد را در نظر بگیرد.

در این رویکرد جدید ، ما بررسی می کنیم که چگونه اضافه کردن دینامیک رویداد محور به مدل های فضایی حالت مامبا ، امکانات مهیج را برای پیش بینی باز می کند. ما این ایده ها را به فرآیندهای تصمیم گیری مارکوف (MDP) وصل می کنیم تا نشان دهیم که چرا چنین هستند … وبلاگ کامل را به صورت رایگان در رسانه بخوانیدبشر

منتشر شده از طریق به سمت هوش مصنوعی