timeseriesforecasting

Modelar series temporales de múltiples activos requiere más que simplemente apilar variables secuencialmente. 📊

Comprender las dependencias tanto en el eje temporal como en el eje de las variables es clave para crear sistemas predictivos.

Aquí tienes un enfoque estructurado para implementar modelos de espacio de estados 2D:

1. Trata las series temporales multivariantes como un problema bidimensional, reconociendo las dependencias en los ejes temporal y de las variables. 🗺️
2. Estructura cuidadosamente las variables de entrada agrupando las características según su significado (p. ej., microestructura, estado de la cartera y contexto entre mercados).
3. Evita la fuga de datos creando una matriz de disponibilidad que registre cuándo se pudo observar por primera vez cada punto de datos. ⚠️
4. Compara el rendimiento con un conjunto exhaustivo de métodos: último valor/ingenuo estacional, autorregresión lineal, modelos independientes y mecanismos de atención.
5. Para la implementación, trata el modelo S-S como un servicio. Versiona conjuntamente el esquema de variables, la longitud del contexto, el estado de normalización y los pesos del modelo.
6. La eficiencia es fundamental. Registra el rendimiento del entrenamiento, el uso máximo de memoria y la latencia de inferencia con el tamaño de lote real. ⚙️

Para profundizar en el funcionamiento de esta arquitectura, consulta este recurso: https://community.wolfbot.io/academy/state-space-models-multivariate-market-data

#QuantitativeFinance #StateSpaceModels #TimeSeriesForecasting #MachineLearning #Cripto