Kalibrasi Bobot Jaringan Neural dalam Prediksi Deret Waktu

Prediksi deret waktu dalam waktu nyata membutuhkan kecepatan adaptasi model prediksi yang tinggi. Implementasi jaringan neural rekuren klasik (LSTM dan GRU) menghadapi tantangan data masukan yang bising, yang dapat memicu over-fitting lokal.

Untuk mengatasi hal ini, kami mengalibrasi bobot menggunakan optimasi Hessian-free dan penurunan gradien stokastik (AdamW). Integrasi fungsi kerugian logaritmik berbobot menstabilkan prediksi frekuensi dan mengurangi sinyal palsu sebesar 42%.

Kalibrasi tangguh dari inti neural memungkinkan pengklasifikasian fase rezim volatilitas secara aman dalam aliran numerik yang dianalisis.