manatee

título	emoji	color de color	colorto	sdk	sdk_version	app_file	cubierto	licencia	short_description
Manatee (LM): Análisis de mercado basado en arquitecturas de modelos de idiomas	?	azul	rojo	Gradio	4.22.0	app.py	verdadero	apache-2.0	Análisis de mercado basado en arquitecturas de modelos de idiomas

Manatee (LM): Análisis de mercado basado en arquitecturas de modelos de idiomas

Este proyecto se centra en emplear LLM para analizar datos de series temporales para fines de pronóstico, basado en el documento "Chronos: aprendizaje del lenguaje de la serie temporal" de los servicios web de Amazon y las tecnologías de optimización de la cadena de suministro de Amazon. El Proyecto Manatee está diseñado para obtener, calcular y trazar datos históricos para valores financieros, aprovechando las API de Alpaca y el poder de los polares y complementamente para la manipulación y visualización de datos. Con características como calcular la media rodante y el índice de resistencia relativa (RSI), esta herramienta también ayuda a analizar el rendimiento pasado de las acciones y los activos criptográficos.

De la fuente:

En este trabajo, damos un paso atrás y preguntamos: ¿Cuáles son las diferencias fundamentales entre un modelo de idioma que predice el siguiente token y un modelo de pronóstico de series de tiempo que predice los próximos valores? A pesar de la aparente distinción, fichas de un diccionario finito versus valores de un dominio no resistente, generalmente continuo, ambos esfuerzos tienen como objetivo modelar la estructura secuencial de los datos para predecir patrones futuros. ¿No deberían los buenos modelos de idiomas "solo funcionar" en las series de tiempo? Esta pregunta ingenua nos impide desafiar la necesidad de modificaciones específicas de la serie temporal, y responderla nos llevó a desarrollar cronos, un marco de modelado de idiomas mínimamente adaptado para el pronóstico de series de tiempo. Chronos toca series de tiempo en contenedores discretos a través de una escala simple y cuantización de valores reales. De esta manera, podemos entrenar modelos de lenguaje en este "lenguaje de series de tiempo", sin cambios en la arquitectura del modelo. Sorprendentemente, este enfoque directo demuestra ser efectivo y eficiente, lo que subraya el potencial de las arquitecturas de modelos de idiomas para abordar una amplia gama de problemas de series de tiempo con modificaciones mínimas. [...]

Dependencias

Bibliotecas utilizadas:

1. json : Una biblioteca de Python incorporada para analizar los datos JSON. No hay necesidad de instalación.

2. datetime & time : Bibliotecas de Python incorporadas para la fecha y hora de manejo. Se utiliza aquí para definir los marcos de tiempo para obtener datos. No se requiere instalación.

3. plotly (como px ): proporciona una interfaz fácil de usar para Plotly, que se utiliza para crear gráficos interactivos. Instalar a través de PIP:

   pip3 install plotly

4. polars (AS pl ): una biblioteca rápida de Dataframes ideal para datos de series de tiempo financieras. Instalar usando PIP:

   pip3 install polars

5. alpaca-py : una biblioteca de Python para la API Alpaca. Proporciona acceso a datos históricos/criptográficos y operaciones de negociación. Instalar usando PIP:

   pip3 install alpaca-trade-api

Guía de instalación

Para instalar todas las dependencias, puede usar el siguiente comando:

pip3 install plotly polars alpaca-py transformers gradio spaces

Nota: Asegúrese de tener Python instalado en su sistema antes de continuar con la instalación de estas bibliotecas.

Mejores prácticas

• Gestión de claves API : por razones de seguridad, evite codificar sus claves API en el script. Considere usar variables de entorno o un servicio de bóveda segura.

• Privacidad de datos : al manejar datos financieros, es crucial cumplir con las regulaciones de protección de datos (como GDPR, CCPA). Asegúrese de tener el derecho de usar y compartir los datos obtenidos a través de esta herramienta.

• Manejo de errores : el script incluye el manejo básico de errores, pero para el uso de la producción, considere implementar bloques Try-Except más completos para manejar errores de red, excepciones de límite de API e inconsistencias de datos.

• Consideraciones de trazado : esta herramienta utiliza Plotly para la visualización, que es muy versátil pero puede ser intensiva en recursos para grandes conjuntos de datos. Para analizar grandes conjuntos de datos, considere crear gráficos con menos puntos de datos o agregar los datos antes de trazar.

• Gestión de recursos : al tratar con grandes conjuntos de datos o numerosas solicitudes de API, monitoree el uso de su sistema y la API para evitar sobrecargar.

• Control de la versión : actualice regularmente sus dependencias. Las API financieras y las bibliotecas de manejo de datos evolucionan, y mantenerlas actualizadas puede mejorar la seguridad, la eficiencia y la accesibilidad de las nuevas características.

Citando este proyecto

Si usa este código en su investigación, utilice la siguiente entrada de Bibtex.

 @misc { louisbrulenaudet2023 ,
	author = { Louis Brulé Naudet } ,
	title = { MANATEE(lm) : Market Analysis based on language model architectures } ,
	howpublished = { url{https://huggingface.co/spaces/louisbrulenaudet/manatee} } ,
	year = { 2024 }
}

Comentario

Si tiene algún comentario, comuníquese con [email protected].