Riassunto analitico
Negli ultimi anni, c’è stato un crescente interesse nella letteratura scientifica verso l’analisi delle serie temporali. Questo studio introduce un approccio di apprendimento continuo per la classificazione delle serie temporali finanziarie, con particolare attenzione all’identificazione e alla gestione dei dati rumorosi. Affrontiamo la sfida di mantenere e migliorare le prestazioni del modello nel tempo, senza la necessità di riaddestrarlo da zero quando nuovi dati di training diventano disponibili. Un aspetto significativo del nostro studio riguarda l’identificazione dei dati rumorosi, comuni nei mercati finanziari che spesso manifestano comportamenti apparentemente irrazionali, rendendo complesso identificare i fattori veramente rilevanti per le decisioni di investimento. Presentiamo un meccanismo progettato per distinguere ed escludere i dati rumorosi durante le fasi di apprendimento del modello, attenuandone gli effetti negativi sulle predizioni. Attraverso esperimenti condotti su dati finanziari reali, dimostriamo che il nostro metodo può migliorare la stabilità e le prestazioni del modello utilizzato in svariati scenari.
|