記事「取引におけるニューラルネットワーク：パターンTransformerを用いた市場分析」についてのディスカッション

新しいコメント
 

新しい記事「取引におけるニューラルネットワーク：パターンTransformerを用いた市場分析」はパブリッシュされました:

モデルを使用して市場の状況を分析する場合、主にローソク足に注目します。しかし、ローソク足パターンが将来の価格変動を予測するのに役立つことは長い間知られていました。この記事では、これら両方のアプローチを統合できる方法について説明します。

過去10年間にわたり、ディープラーニング(DL)はさまざまな分野で大きな進展を遂げており、これらの進歩は金融市場の研究者たちの注目を集めています。DLの成功に触発され、多くの研究者が市場のトレンド予測や複雑なデータ間の関係性の分析への応用を目指しています。このような分析において重要な側面のひとつが、生データの表現形式です。この形式は、分析対象となる金融商品間の関係性や構造を正確に保持する必要があります。しかしながら、現在の多くのモデルは同種グラフ(homogeneous graph)を用いており、市場パターンに伴う豊富な意味情報を十分に捉えることができません。自然言語処理におけるNgramの活用に似て、市場で頻出するパターンを活用することで、より精密な関連性の把握やトレンド予測が可能となるのです。

この課題に対処するために、私たちは化学元素分析の分野からアプローチを取り入れることにしました。市場パターンと同様に、モチーフ（意味を持つサブグラフ）は分子構造の中で頻出し、分子の特性を明らかにする手がかりとなります。ここでは、論文「Molformer:Motif-based Transformer on 3D Heterogeneous Molecular Graphs」で提案されたMolformerフレームワークについて見ていきましょう。

Molformerの著者らは、モデルの入力として新しい異種分子グラフ(HMG: Heterogeneous Molecular Graph)を定義しています。この設計は原子レベルおよびモチーフレベルのノードを含み、異なるレベルのノードを統合的に扱うためのインターフェイスを提供します。また、原子の意味的な区分けが不適切であった場合に発生する誤りの伝播を防止する設計にもなっています。モチーフに関しては、分子の種類によって異なる手法が用いられています。小分子については、化学のドメイン知識に基づいた官能基をモチーフの語彙集合とし、一方、連続するアミノ酸で構成されるタンパク質については、強化学習(RL: Reinforcement Learning)に基づいたインテリジェントなモチーフ抽出手法が導入され、最も重要なアミノ酸の部分配列を同定します。


作者: Dmitriy Gizlyk

 

こんにちは。test.mq5 Expert Advisorで注文が出せません。

if(temp[0] >= temp[3])
     {
      temp[0] -= temp[3];
      temp[3] = 0;
     }
   else
     {
      temp[3] -= temp[0];
      temp[0] = 0;
     }
//--- コントロールを買う
   if(temp[0] < min_lot || (temp[1] * MaxTP * Symb.Point()) <= 2 * stops || (temp[2] * MaxSL * Symb.Point()) <= stops)
     {
     ...
     }
   else
     {
      ...
     }
//--- コントロールを売る
   if(temp[3] < min_lot || (temp[4] * MaxTP * Symb.Point()) <= 2 * stops || (temp[5] * MaxSL * Symb.Point()) <= stops)
     {
...
     }
   else...

配列の要素 temp[0]とtemp[3]は常にmin_lotより小さいのですが、どこに間違いがあるのでしょうか？

新しいコメント