Diskussion zum Artikel "Neuronale Netze im Handel: Marktanalyse mit Hilfe eines Muster-Transformers"

Neuer Kommentar
 

Neuer Artikel Neuronale Netze im Handel: Marktanalyse mit Hilfe eines Muster-Transformers :

Wenn wir Modelle zur Analyse der Marktsituation verwenden, konzentrieren wir uns hauptsächlich auf Kerzen. Es ist doch seit langem bekannt, dass Kerzen-Muster bei der Vorhersage künftiger Kursbewegungen helfen können. In diesem Artikel werden wir uns mit einer Methode vertraut machen, die es uns ermöglicht, diese beiden Ansätze zu integrieren.

In den letzten zehn Jahren hat das Deep Learning (DL) in verschiedenen Bereichen erhebliche Fortschritte erzielt, die auch die Aufmerksamkeit der Finanzmarktforscher auf sich gezogen haben. Angeregt durch den Erfolg von DLs wollen viele sie für die Vorhersage von Markttrends und die Analyse komplexer Datenzusammenhänge einsetzen. Ein Schlüsselaspekt einer solchen Analyse ist das Darstellungsformat der Rohdaten, das die inhärenten Beziehungen und die Struktur der analysierten Instrumente bewahren sollte. Die meisten bestehenden Modelle arbeiten mit homogenen Graphen, was ihre Fähigkeit einschränkt, die umfangreichen semantischen Informationen zu erfassen, die mit Marktmustern verbunden sind. Ähnlich wie bei der Verwendung von N-Grammen in der natürlichen Sprachverarbeitung können häufig auftretende Marktmuster genutzt werden, um Zusammenhänge genauer zu erkennen und Trends vorherzusagen.

Um dieses Problem zu lösen, haben wir beschlossen, bestimmte Ansätze aus dem Bereich der chemischen Elementanalyse zu übernehmen. Ähnlich wie bei Marktmustern treten Motive (aussagekräftige Teilgraphen) häufig in molekularen Strukturen auf und können dazu verwendet werden, molekulare Eigenschaften aufzudecken. Sehen wir uns das System Molformer an, der in dem Artikel „Molformer: Motif-based Transformer on 3D Heterogeneous Molecular Graphs" vorgestellt wurde.

Die Autoren der Methode Molformer definieren einen neuartigen heterogenen molekularen Graphen (HMG) als Input für das Modell, der Knoten sowohl auf atomarer als auch auf motivischer Ebene enthält. Dieses Design bietet eine saubere Schnittstelle für die Integration von Knoten verschiedener Ebenen und verhindert die Ausbreitung von Fehlern, die durch eine unsachgemäße semantische Segmentierung von Atomen verursacht werden. Bei den Motiven wenden die Autoren unterschiedliche Strategien für verschiedene Molekültypen an. Bei kleinen Molekülen wird das Motivvokabular durch funktionelle Gruppen bestimmt, die auf chemischem Fachwissen beruhen. Für Proteine, die aus aufeinanderfolgenden Aminosäuren bestehen, wird eine auf Reinforcement Learning (RL) basierende Methode zur intelligenten Motivsuche eingeführt, um die wichtigsten Aminosäure-Untersequenzen zu identifizieren.


Autor: Dmitriy Gizlyk

 

Guten Tag, ich kann keine Orders vom test.mq5 Expert Advisor erhalten.

if(temp[0] >= temp[3])
     {
      temp[0] -= temp[3];
      temp[3] = 0;
     }
   else
     {
      temp[3] -= temp[0];
      temp[0] = 0;
     }
//--- Kontrolle kaufen
   if(temp[0] < min_lot || (temp[1] * MaxTP * Symb.Point()) <= 2 * stops || (temp[2] * MaxSL * Symb.Point()) <= stops)
     {
     ...
     }
   else
     {
      ...
     }
//--- Kontrolle verkaufen
   if(temp[3] < min_lot || (temp[4] * MaxTP * Symb.Point()) <= 2 * stops || (temp[5] * MaxSL * Symb.Point()) <= stops)
     {
...
     }
   else...

Die Sache ist, dass die Array-Elemente temp[0] und temp[3] sind immer kleiner als min_lot, wo kann mein Fehler sein?

Neuer Kommentar