Discusión sobre el artículo "Redes neuronales en el trading: Agente con memoria multinivel"
Hola, interesante artículo. Desafortunadamente no puedo compilar el archivo Research.mq5 - la línea if((!CreateDescriptions(actor, critic, critic))) - Número incorrecto de parámetros. No puedo seguir adelante(
djgagarin #:
Hola, interesante artículo. Desafortunadamente no puedo compilar el archivo Research.mq5 - la línea if((!CreateDescriptions(actor, critic, critic))) - Número incorrecto de parámetros. No puedo seguir adelante(
Hola, interesante artículo. Desafortunadamente no puedo compilar el archivo Research.mq5 - la línea if((!CreateDescriptions(actor, critic, critic))) - Número incorrecto de parámetros. No puedo seguir adelante(
Buenas tardes, ¿Desde qué catálogo se carga el archivo Research? Efectivamente, hay muchos parámetros. En este trabajo sólo se utiliza un modelo.
Dmitriy Gizlyk #:
Buenas tardes, ¿De qué catálogo se descarga el archivo Research? Efectivamente hay muchos parámetros. En este documento sólo se utiliza un modelo.
He mirado en los catálogos y ya me he confundido de donde lo he sacado((
¿Puede indicarme por favor que catálogo utilizar para este trabajo?
He intentado todo tipo de cosas pero no he llegado a tus resultados.
Lo siento, ¿puede dar instrucciones adecuadas sobre qué ejecutar y qué archivos en qué orden.
Gracias.
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Artículo publicado Redes neuronales en el trading: Agente con memoria multinivel:
El creciente volumen de datos financieros exige de los tráders no solo procesarlos con rapidez, sino también analizarlos en profundidad para tomar decisiones precisas y oportunas. Sin embargo, las limitaciones de la memoria humana, la atención y la capacidad de procesar grandes cantidades de información pueden provocar la omisión de eventos críticos o llevar a los tráders a conclusiones erróneas. Y esto conlleva la necesidad de crear agentes de ventas autónomos que puedan integrar eficazmente datos dispares, haciéndolo además rápidamente y con gran precisión. Una de estas soluciones se propone en el artículo "FinMem: A Performance-Enhanced LLM Trading Agent with Layered Memory and Character Design".
El framework FinMem propuesto es un agente innovador basado en grandes modelos de lenguaje (LLM) que ofrece un sistema de memoria multinivel único. Este enfoque permite gestionar con eficacia datos de distinta naturaleza e importancia temporal. El módulo de memoria de FinMem se divide en memoria de trabajo, diseñada para procesar datos a corto plazo, y memoria estratificada a largo plazo, en la que la información se clasifica según su importancia y relevancia. Por ejemplo, las noticias diarias y las fluctuaciones del mercado a corto plazo se analizan a un nivel superficial, mientras que los informes e investigaciones con repercusiones a largo plazo se canalizan hacia las capas profundas de la memoria. Esta estructura permite al agente priorizar la información centrándose en los datos más relevantes.
El módulo de perfilado FinMem permite adaptar el agente al contexto profesional y a las condiciones del mercado. Considerando las preferencias individuales del usuario y su perfil de riesgo, el agente personaliza su estrategia para garantizar la máxima eficacia. El módulo de toma de decisiones integra los datos actuales del mercado y las memorias almacenadas para generar estrategias bien meditadas. Esto nos permite considerar tanto las tendencias a corto plazo como las pautas a largo plazo. Este enfoque de inspiración cognitiva hace que FinMem sea capaz de recordar y usar los eventos clave del mercado, mejorando la precisión y adaptabilidad de su toma de decisiones.
Autor: Dmitriy Gizlyk