Resumen

La aumentación de datos es una técnica comúnmente utilizada en ciencia de datos para mejorar la robustez y el rendimiento de los modelos de aprendizaje automático. El propósito del artículo es estudiar la viabilidad de generar puntos de datos sintéticos de naturaleza temporal con este fin. Se presenta un enfoque general llamado DAuGAN (Aumentación de Datos utilizando Redes Generativas Antagónicas) para identificar secciones poco representadas de una serie temporal, estudiar la síntesis e integración de nuevos puntos de datos, y mejorar el rendimiento en un modelo de aprendizaje automático de referencia. El problema se estudia y se aplica en el ámbito del trading algorítmico, cuyas restricciones se presentan y se toman en consideración. Los resultados experimentales resaltan una mejora en el rendimiento en un agente de aprendizaje por refuerzo de referencia entrenado en un conjunto de datos mejorado con DAuGAN para operar un instrumento financiero.

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Aumento de datos; Modelos de aprendizaje automático; Puntos de datos sintéticos; Naturaleza temporal; Redes generativas adversariales; Trading algorítmico
• Keywords:Data augmentation; Machine learning models; Synthetic data points; Temporal nature; Generative adversarial networks; Algorithmic trading