記事「取引におけるニューラルネットワーク：多変量時系列予測のためのLSTMの最適化(DA-CG-LSTM)」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：多変量時系列予測のためのLSTMの最適化(DA-CG-LSTM)」はパブリッシュされました:

時系列分析および予測に新たな手法を提供するDA-CG-LSTMアルゴリズムを紹介します。革新的なアテンション機構とモデルの柔軟性を活用することで、予測精度をどのように向上できるのかを解説します。

金融市場は、単なる画面上の数字の集合ではありません。そこは、あらゆるティック、ローソク足、取引量の変化が、人間の感情、期待、不安、希望を反映する動的な環境です。この市場のリズムを理解し、価格がどの方向へ動くのかを予測することは、トレーダーが絶えず挑戦してきた課題です。

本記事が注目するのは、多変量時系列データです。これは市場データを表現する古典的な形式であり、時間経過に伴う資産価格、取引量、テクニカル指標、ニュースの流れなどが含まれます。これらはいずれも分析・モデル化が可能であり、最終的には予測に活用できるデータです。

これまで金融業界では、主にARIMA、SARIMAなどの古典的な時系列モデルが利用されてきました。これらのモデルは実用性が高く、解釈しやすいうえ、大規模な計算リソースを必要としません。特に市場環境が安定している場合、季節性や線形的な依存関係を扱う上で一定の成果を上げてきました。しかし、金融市場は非定常的です。ニュースは市場参加者の期待に影響を与え、投資家心理は数秒で変化し、アルゴリズム取引は相互作用による共振効果を生み出します。その結果、市場には複雑で非線形、そして時にはカオス的な関係性が形成されます。従来型モデルは大まかな方向性を示すことはできますが、細かな変化を捉えることには限界があります。

取引におけるニューラルネットワーク：多変量時系列予測のためのLSTMの最適化


作者: Dmitriy Gizlyk

 
こんにちは。NeuroNet.mqh、NeuroNet.cl、Trajectory.mqhといったライブラリはどこで入手できますか？
また、モデルの正確なパラメータ（入力データのサイズ、ニューロンの数、最適化アルゴリズム）はどのようなものですか？
 
Владимир #:
こんにちは。NeuroNet.mqh、NeuroNet.cl、Trajectory.mqhといったライブラリはどこで入手できますか？
また、モデルの正確なパラメータ（入力データのサイズ、ニューロンの数、最適化アルゴリズム）はどのようなものですか？

ウラジーミルさん、こんにちは。

NeuroNet.* ライブラリはすべて「MQL5\Experts\NeuroNet_DNG\NeuroNet.*」フォルダに、Trajectory.mqh は「MQL5\Experts\DACGLSTM\Trajectory.mqh」フォルダに含まれています。

学習モデルの詳細な説明については、次回の記事でご紹介する予定です。

新しいコメント