Discusión sobre el artículo "Redes neuronales en el trading: Entrenamiento de metaparámetros basado en la heterogeneidad (Componentes principales)"

[MetaQuotes]

Artículo publicado Redes neuronales en el trading: Entrenamiento de metaparámetros basado en la heterogeneidad (Componentes principales):

En este artículo analizamos con detalle los algoritmos para implementar los componentes clave del framework HimNet. Demostramos cómo, con un número mínimo de componentes aprendibles, se consigue una alta coherencia y controlabilidad de todo el sistema. La implementación presentada destaca por su compacidad y transparencia, lo que facilita su adaptación a problemas reales del mercado.

La parte práctica del primer artículo confirmó que la idea funciona en un entorno de ingeniería real. Hemos trasladado las operaciones pesadas de construcción de polinomios de Chebyshev y de retropropagación del error a la GPU, implementando en OpenCL los kernels ChebStep y ChebStepGrad.

En el programa principal se ha implementado el objeto CChebPolinom, que encapsula los kernels y proporciona una interfaz unificada para la inferencia y el cálculo de gradientes. Como resultado, obtuvimos un pipeline híbrido: entrenamiento rápido e inferencia fiable.

En este artículo continuamos el trabajo de implementación de los enfoques del framework HimNet mediante MQL5.

Autor: Dmitriy Gizlyk