Diskussion zum Artikel "Entwicklung eines neuronalen Trading-Roboters auf Basis von Mamba und Selective State Space Models"

Neuer Kommentar
 

Neuer Artikel Entwicklung eines neuronalen Trading-Roboters auf Basis von Mamba und Selective State Space Models :

Der Artikel untersucht die revolutionäre Mamba/SSM-Architektur neuronaler Netze für die finanzielle Zeitreihenprognose. Im Beitrag wird eine vollständige MQL5-Implementierung einer modernen Alternative zu Transformer mit linearer Komplexität O(N) statt quadratischer Komplexität O(N²) vorgestellt. Selective State Space Models, hardwareorientierte Optimierungen, Patching-Techniken und fortschrittliche AdamW-Trainingsmethoden werden detailliert behandelt. Praktische Testergebnisse, die eine Steigerung der Genauigkeit von 62% auf 71% bei gleichzeitiger Reduzierung der Trainingszeit von 45 auf 8 Minuten zeigen, sind enthalten. Ein fertiger Trading-EA mit automatischem Nachtraining und adaptivem Risikomanagement für MetaTrader 5 wird vorgestellt.

Der moderne algorithmische Handel steht vor einem grundlegenden Problem. Klassische neuronale Netzwerkarchitekturen, die auf dem Attention-Mechanismus basieren, weisen eine quadratische Rechenkomplexität O(N²) auf. Dies bedeutet, dass eine Verdoppelung der Länge der Zeitreihe zu einer Vervierfachung der Verarbeitungszeit führt. Für einen Trader, der Tausende Kursbalken (Bars) mit historischen Daten analysiert, wird diese Ineffizienz zu einer kritischen Einschränkung.

Stellen Sie sich folgende Situation vor: Ihr Handelssystem muss die letzten 2048 Bars analysieren, um zu entscheiden, ob eine Position eröffnet werden soll. Die Transformer-Architektur würde dafür etwa 4 Millionen Attention-Operationen erfordern, und die Verarbeitung nähme mehrere Sekunden in Anspruch. Im Hochfrequenzhandel, wo Millisekunden über den Ausgang eines Handels entscheiden, kommt eine solche Verzögerung einem Strategieversagen gleich.

Darüber hinaus sind moderne Märkte durch zunehmende Komplexität und Vernetzung gekennzeichnet. Eine erfolgreiche Prognose erfordert die Analyse immer längerer historischer Zeiträume unter Berücksichtigung von Korrelationen zwischen verschiedenen Vermögenswerten und Zeitskalen. Herkömmliche Architekturen werden dieser Herausforderung nicht gerecht und beschränken Trader auf Kontextfenster von 512-1024 Datenpunkten.

Entwicklung eines neuronalen Netzwerk-Handelsroboters auf Basis von Mamba mitSelective State Space Models


Autor: Yevgeniy Koshtenko

 
Beim Kompilieren der Datei „ModernTimeSeriesNet.mqh“ treten folgende Fehler auf: - undeclare
 
Борис Ворона #:
Beim Kompilieren der Datei „ModernTimeSeriesNet.mqh“ treten folgende Fehler auf: – undeclare

Hallo! Ich habe die aktuelle Version in die neue Version des Artikels eingefügt. In der vorherigen Version ließ sich der Expert Advisor zwar so kompilieren, das Problem war jedoch, dass die erforderlichen Variablen im EA und nicht in der mqh-Datei definiert waren.

 
Yevgeniy Koshtenko #:

Hallo! Ich habe die aktuelle Version in die neue Version des Artikels eingefügt. In der vorherigen Version ließ sich der Expert Advisor zwar so kompilieren, das Problem war jedoch, dass die Variablen im EA und nicht in m definiert waren.

Danke, jetzt funktioniert alles.

Neuer Kommentar