Diskussion zum Artikel "Neuronale Netze im Handel: Ein Agent mit geschichtetem Speicher"
Hallo, interessanter Artikel. Leider kann ich die Datei Research.mq5 nicht kompilieren - die Zeile if((!CreateDescriptions(actor, critic, critic))) - Falsche Anzahl von Parametern. Ich kann nicht weitermachen(
Guten Tag, aus welchem Katalog wird die Research-Datei geladen? Es gibt in der Tat sehr viele Parameter. In dieser Arbeit wird nur ein Modell verwendet.
Guten Tag, aus welchem Katalog wird die Forschungsdatei heruntergeladen? Es handelt sich in der Tat um eine Vielzahl von Parametern. In diesem Papier wird nur ein Modell verwendet.
Ich habe die Kataloge durchgesehen und bin schon verwirrt, woher ich sie habe((
Können Sie mir bitte sagen, welchen Katalog ich für diese Arbeit verwenden soll?
Ich habe alles Mögliche ausprobiert, aber ich bin nicht auf Ihre Ergebnisse gestoßen.
Es tut mir leid, können Sie genaue Anweisungen geben, was auszuführen ist und welche Dateien in welcher Reihenfolge.
Ich danke Ihnen.
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Neuer Artikel Neuronale Netze im Handel: Ein Agent mit geschichtetem Speicher :
Die wachsende Menge an Finanzdaten erfordert von den Händlern nicht nur eine rasche Verarbeitung, sondern auch eine gründliche Analyse, um genaue und rechtzeitige Entscheidungen treffen zu können. Die Grenzen des menschlichen Gedächtnisses, der Aufmerksamkeit und der Fähigkeit, große Mengen an Informationen zu verarbeiten, können jedoch dazu führen, dass kritische Ereignisse übersehen oder falsche Schlussfolgerungen gezogen werden. Daraus ergibt sich ein Bedarf an autonomen Handelsagenten, die in der Lage sind, heterogene Daten effizient zu integrieren – schnell und mit hoher Präzision. Eine solche Lösung wurde in dem Artikel „FinMem: A Performance-Enhanced LLM Trading Agent with Layered Memory and Character Design" vorgeschlagen.
Das vorgeschlagene System FinMem ist ein innovativer, auf einem großen Sprachmodell (LLM) basierender Agent, der ein einzigartiges mehrstufiges Speichersystem einführt. Dieser Ansatz ermöglicht eine effiziente Verarbeitung von Daten unterschiedlicher Art und zeitlicher Bedeutung. Das Speichermodul von FinMem ist unterteilt in einen Arbeitsspeicher, der für die kurzfristige Datenverarbeitung konzipiert ist, und einen geschichteten Langzeitspeicher, in dem Informationen nach ihrer Relevanz und Wichtigkeit kategorisiert werden. So werden beispielsweise Tagesnachrichten und kurzfristige Marktschwankungen auf einer oberflächlichen Ebene analysiert, während Berichte und Studien mit langfristigen Auswirkungen in tieferen Speicherschichten abgelegt werden. Diese Struktur ermöglicht es dem Agenten, Informationen zu priorisieren und sich auf die wichtigsten Daten zu konzentrieren.
Das Profiling-Modul in FinMem ermöglicht es dem Agenten, sich an berufliche Kontexte und Marktbedingungen anzupassen. Unter Berücksichtigung der individuellen Präferenzen und des Risikoprofils des Nutzers passt der Agent seine Strategie an, um maximale Effizienz zu erzielen. Das Entscheidungsfindungsmodul integriert aktuelle Marktdaten mit gespeicherten Erinnerungen, um gut durchdachte Strategien zu entwickeln. So können sowohl kurzfristige Trends als auch langfristige Muster berücksichtigt werden. Dank eines solchen kognitiv inspirierten Designs kann sich FinMem an wichtige Marktereignisse erinnern und diese nutzen, wodurch sich die Genauigkeit und Anpassungsfähigkeit seiner Entscheidungen erhöht.
Autor: Dmitriy Gizlyk