記事「取引におけるニューラルネットワーク：点群の階層的特徴量学習」についてのディスカッション

[MetaQuotes]

新しい記事「取引におけるニューラルネットワーク：点群の階層的特徴量学習」はパブリッシュされました:

点群から特徴量を抽出するアルゴリズムの研究を続けます。この記事では、PointNet手法の効率を高めるメカニズムについて解説します。

前述の通り、新しいモデルは、以前のモデルと比べて1つの層のみが異なります。しかも、この新しい層は、以前の手法を改良したバージョンにすぎません。そのため、両モデルのパフォーマンスを比較することは、特に興味深い検証になります。公平な比較をおこなうために、前回の実験で使用したものと全く同じデータセットを使って両方のモデルを訓練します。

私は常に、モデルのパフォーマンスを最適化するには、訓練データセットを定期的に更新することが重要だと強調しています。データセットをActorの最新の方策に合わせておくことで、行動の評価精度が向上し、方策の改良につながるからです。しかし今回は、類似した2つのアプローチを比較し、階層的手法の有効性を検証する貴重な機会を逃すわけにはいきませんでした。前回の記事では、利益を生み出すActorの方策の訓練に成功しました。今回の新しいモデルも、少なくともそれと同等の性能を発揮すると期待されます。

訓練後、新しいモデルは収益性の高い方策をうまく学習し、訓練データとテストデータの両方でプラスのリターンを達成しました。以下に、新しいモデルのテスト結果を示します。

両モデルの結果を比較するのは、正直なところ非常に難しいと言わざるを得ません。テスト期間中、どちらのモデルもほぼ同等の利益を上げました。残高と有効証拠金におけるドローダウンの差異も、無視できる程度の誤差範囲に収まっています。ただし、新しいモデルの方が取引回数が少なく、その結果としてプロフィットファクターはわずかに向上しました。

とはいえ、両モデルの取引回数が少ないことから、長期的なパフォーマンスについて明確な結論を導くことは困難です。

作者: Dmitriy Gizlyk