Diskussion zum Artikel "Neuronale Netze im Handel: Heterogenitätsgestütztes Metaparameterlernen (Schlüsselkomponenten)"

Neuer Artikel Neuronale Netze im Handel: Heterogenitätsgestütztes Metaparameterlernen (Schlüsselkomponenten) :

In diesem Artikel befassen wir uns eingehend mit den Algorithmen, die zur Implementierung der Schlüsselkomponenten des HimNet-Frameworks verwendet werden. Wir zeigen, wie sich mit einer minimalen Anzahl trainierbarer Komponenten ein hohes Maß an Konsistenz und Steuerbarkeit im gesamten System erreichen lässt. Die vorgestellte Implementierung ist kompakt und transparent, was die Anpassung an reale Marktaufgaben erleichtert.

Der praktische Teil des ersten Artikels hat bestätigt, dass das Konzept in einer realen technischen Umgebung funktioniert. Wir haben die rechenintensiven Operationen zur Konstruktion von Tschebyscheff-Polynomen und zur Rückpropagation der Fehler auf die GPU verlagert, indem wir die Kernel ChebStep und ChebStepGrad in OpenCL implementiert haben.

Im Hauptprogramm wurde das Objekt CChebPolinom implementiert, das die Kernel kapselt und eine einheitliche Schnittstelle für die Inferenz und die Gradientenberechnung bereitstellt. Das Ergebnis ist eine hybride Pipeline: schnelles Training und zuverlässige Inferenz.

In diesem Artikel setzen wir unsere Arbeit zur Umsetzung der Ansätze des HimNet-Frameworks mithilfe von MQL5 fort.


Autor: Dmitriy Gizlyk