Discusión sobre el artículo "Asesor experto de trading neuronal basado en PatchTST"
Tu implementación en MQL5 es toda una hazaña de ingeniería, sobre todo teniendo en cuenta las limitaciones del entorno. Pero si lo que buscas es velocidad y escalabilidad, Python, junto con los marcos de trabajo de aprendizaje automático, te ofrecerá:
-
Un entrenamiento más rápido
-
Modelos más precisos
-
Mayor facilidad para realizar pruebas y visualizaciones
MetaQuotes :
Por lo que veo, ¡¿PatchTST no está aprendiendo nada en absoluto?!
Echa un vistazo al nuevo artículo: EA de trading con red neuronal basado en PatchTST.
Autor: Yevgeniy Koshtenko
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 Asesor experto de trading neuronal basado en PatchTST:
La revolución comenzó en 2017 con la publicación del artículo «Attention Is All You Need». Los transformers cambiaron radicalmente el procesamiento de secuencias en NLP, pero su aplicación a las series temporales financieras se topó con serios obstáculos.
El principal problema es la complejidad computacional. El mecanismo de atención requiere calcular las correlaciones entre cada par de elementos de la secuencia. Para una secuencia de longitud N, esto supone O(N²) operaciones. Cuando N = 1000 barras (lo mínimo para un análisis riguroso), el número de operaciones alcanza el millón. Cada operación incluye una multiplicación matricial de alta dimensionalidad, lo que hace que los cálculos requieran una gran cantidad de recursos.
Es más, los transformers tradicionales fueron diseñados para tokens discretos: las palabras del texto. Los datos financieros constituyen series temporales continuas con una estructura interna compleja. La simple aplicación de transformers a los datos de precios pasa por alto esta particularidad. La tokenización por barras individuales pierde información importante sobre los patrones locales dentro de ventanas temporales cortas.
Los intentos de adaptar los transformers «vanilla» al ámbito financiero se han topado con el problema del sobreajuste. El modelo memorizaba fácilmente secuencias específicas de los datos de entrenamiento, pero no era capaz de generalizar ese conocimiento a nuevas situaciones de mercado. Esto se ponía especialmente de manifiesto en períodos de alta volatilidad o de cambios estructurales en el mercado.
Aquí es donde entra en escena PatchTST, una arquitectura que da un giro radical a la forma en que se entiende que las redes neuronales deben analizar las series temporales financieras. No se trata simplemente de otro transformer más, sino de un sistema especialmente adaptado que comprende la naturaleza de los datos del mercado y trabaja con ellos como un auténtico trader profesional.
Autor: Yevgeniy Koshtenko