記事「取引におけるニューラルネットワーク：高精度分類のための効果的な特徴抽出（オブジェクトの実装）」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：高精度分類のための効果的な特徴抽出（オブジェクトの実装）」はパブリッシュされました:

Mantisは、金融分野のさまざまなシナリオに柔軟に対応できる、拡張性に優れた時系列分析ツールです。 本記事では、パッチ化、局所畳み込み、クロスアテンションを組み合わせることで、市場のパターンを高精度に捉えられる仕組みについて解説します。

Mantisは、マルチチャネル入力を受け取ると真価を発揮します。 リズムを刻むように変動するRSI、取引量、移動平均線、通貨ペア間の相関関係などが組み合わさることで、市場の複雑な状況を多角的に捉えられるようになります。 これらのシグナルを単純に連結すると、パラメータ数が爆発的に増加してしまいます。一方、それぞれを独立して処理すれば、チャネル間の相互依存関係を十分に捉えられません。 Mantisでは、この問題に対処するため、チャネル間の相互作用を効率的に圧縮する軽量なアダプターを使用します。これにより、指標間の関係の強さなど、重要な情報を保持しながら、計算に必要なメモリを抑えられます。 結果として、トレーダーがモデルの設定に費やす時間も削減できます。

Mantisの仕組みをより深く理解するために、処理の流れを順に見ていきましょう。 最初の段階は初期畳み込みです。dチャネルからなる時系列データを、出力チャネル数256の畳み込み層に入力し、密な表現を生成します。 次に、得られたテンソルを等しい長さの区間に分割し、チャネル方向の平均プーリングを適用することで、各区間の局所的な情報を表す32個のトークンに変換します。

これと並行して、差分ストリームを構築します。入力データの一次差分を計算することで、短期的な変化や局所的な動態を捉えやすくします。 得られた差分データにも、同じパッチ化処理を適用します。

3番目と4番目のストリームは、統計情報を扱うストリームです。それぞれ、同じ32個の時間窓について入力データの平均値と標準偏差を計算します。これにより、データの水準と変動の大きさに関する全体的な特徴を捉えます。

こうして得られた4つのストリームは、それぞれ独立した線形射影層を通過し、特徴量の次元が統一されます。その後、各ストリームの特徴量を連結し、さらに射影することで、指定された次元数を持つグローバルトークンを生成します。

作者: Dmitriy Gizlyk