Wir setzen unsere Arbeit an der Umsetzung der von den Autoren des Extralonger-Frameworks vorgeschlagenen Ansätze fort. Dieses Mal konzentrieren wir uns auf die Entwicklung eines Moduls für global-lokale räumliche Attention mit MQL5 und untersuchen dabei sowohl dessen Struktur als auch dessen praktische Integration in den gesamten Rechenprozess.
Das Extralonger-Framework, mit dem wir uns im vorherigen Artikel erstmals beschäftigt haben, bot einen grundlegend anderen Ansatz. Die Autoren ließen sich von der Vorstellung leiten, dass Raum und Zeit als ein einziges Ganzes betrachtet werden sollten. Diese Philosophie, die an Einsteins Relativitätstheorie anknüpft, fand ihren Ausdruck in der einheitlichen räumlich-zeitlichen Repräsentation – einer Repräsentation, in der Zeitreihen und räumliche Beziehungen ohne künstliche Trennung miteinander verknüpft sind. Diese Lösung ermöglichte es, die Rechenkomplexität drastisch zu reduzieren. Während die Anzahl der Rechenoperationen zuvor exponentiell wuchs, reduzierte Extralonger dieses Wachstum auf einen quadratischen Zusammenhang. Die praktischen Ergebnisse waren beeindruckend. Das Training läuft mehrere Hundert Mal schneller ab, der Speicherbedarf wird um ein Vielfaches reduziert, und vor allem wird es möglich, Prognosen zu erstellen, die sich nicht nur über Stunden, sondern über ganze Tage und sogar Wochen erstrecken.
Dies eröffnet neue Möglichkeiten für die Finanzmärkte. Während Händler und Analysten bislang auf kurzfristige Einschätzungen beschränkt waren, wird es nun möglich, mehrere Handelssitzungen vorauszublicken oder Marktbewegungen im Umfeld der Veröffentlichung makroökonomischer Daten und der Bekanntgabe von Zentralbankentscheidungen zu prognostizieren. Extralonger macht die Wochenprognose von einem unerreichbaren Traum zu einem praktisch nutzbaren Werkzeug.
Die wahre Stärke des Frameworks zeigt sich jedoch in seiner Architektur. Es basiert auf einem Transformer mit drei Zweigen, wobei jeder Zweig für einen bestimmten Aspekt der Analyse zuständig ist.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Erlauben Sie die Verwendung von Cookies, um sich auf der Website MQL5.com anzumelden.
Bitte aktivieren Sie die notwendige Einstellung in Ihrem Browser, da Sie sich sonst nicht einloggen können.
Sie sind angemeldet. Die Zwei-Faktor-Authentifizierung wurde deaktiviert. Richten Sie sie erneut ein und scannen Sie einen neuen QR-Code oder fahren Sie mit deaktivierter Zwei-Faktor-Authentifizierung fort.
Neuer Artikel Neuronale Netze im Handel: Eine einheitliche Sicht auf Raum und Zeit (global-lokale Attention) :
Das Extralonger-Framework, mit dem wir uns im vorherigen Artikel erstmals beschäftigt haben, bot einen grundlegend anderen Ansatz. Die Autoren ließen sich von der Vorstellung leiten, dass Raum und Zeit als ein einziges Ganzes betrachtet werden sollten. Diese Philosophie, die an Einsteins Relativitätstheorie anknüpft, fand ihren Ausdruck in der einheitlichen räumlich-zeitlichen Repräsentation – einer Repräsentation, in der Zeitreihen und räumliche Beziehungen ohne künstliche Trennung miteinander verknüpft sind. Diese Lösung ermöglichte es, die Rechenkomplexität drastisch zu reduzieren. Während die Anzahl der Rechenoperationen zuvor exponentiell wuchs, reduzierte Extralonger dieses Wachstum auf einen quadratischen Zusammenhang. Die praktischen Ergebnisse waren beeindruckend. Das Training läuft mehrere Hundert Mal schneller ab, der Speicherbedarf wird um ein Vielfaches reduziert, und vor allem wird es möglich, Prognosen zu erstellen, die sich nicht nur über Stunden, sondern über ganze Tage und sogar Wochen erstrecken.
Dies eröffnet neue Möglichkeiten für die Finanzmärkte. Während Händler und Analysten bislang auf kurzfristige Einschätzungen beschränkt waren, wird es nun möglich, mehrere Handelssitzungen vorauszublicken oder Marktbewegungen im Umfeld der Veröffentlichung makroökonomischer Daten und der Bekanntgabe von Zentralbankentscheidungen zu prognostizieren. Extralonger macht die Wochenprognose von einem unerreichbaren Traum zu einem praktisch nutzbaren Werkzeug.
Die wahre Stärke des Frameworks zeigt sich jedoch in seiner Architektur. Es basiert auf einem Transformer mit drei Zweigen, wobei jeder Zweig für einen bestimmten Aspekt der Analyse zuständig ist.
Autor: Dmitriy Gizlyk