記事「取引におけるニューラルネットワーク：クロスドメイン時系列予測フレームワーク「TimeFound」」についてのディスカッション
こんにちは、ドミトリー・ギズリクさん。お元気でいらっしゃいますように。
CNeuronTimeFoundPatchingクラスはどのファイルに実装されていますか？
よく分かりませんが、もしかすると、すでにzipアーカイブ内のいずれかのフォルダに入っているのでしょうか、それともこの記事のファイルの一部としてまだアップロードされていないものなのでしょうか。
このアプローチはとても興味深いです。近いうちに次のパート（私の母国語であるスペイン語版）が公開されるのを楽しみにしています。それでは。
（可能であれば）コードを補完するライブラリについて、もう少し詳しく教えていただけませんか。どのファイルをコンパイルしようとしても、多くの依存関係が不足しているようです
（「EXPERTS」ファイルは存在していますが、おそらく「include」などにある他のファイルが欠けている可能性があります）。
ドミトリー・ギズリクさん、こんにちは。お元気でいらっしゃいますように。
CNeuronTimeFoundPatchingクラスは、どのファイルに実装しましたか？
よく分かりません。おそらくZIPファイル内のいずれかのフォルダにすでに含まれているか、あるいはこの記事のファイルの一部としてまだアップロードされていないものかもしれません。
このアプローチはとても興味深いです。次のパートを（私の母国語であるスペイン語で）早く読めるのを楽しみにしています。よろしく。
ミゲルさん、こんにちは。
CNeuronTimeFoundPatching クラスは、NeuroNet.mqh ライブラリに含まれています。
（可能であれば）どのライブラリがコードを補完しているのか、もう少し詳しく教えていただけませんか。どのファイルをコンパイルしようとしても、多くの依存関係が不足しているようです。
（「EXPERTS」ファイルのみが存在していますが、おそらく「include」などにある他のファイルが欠落している可能性があります）。
- dng
- forge.mql5.io
- 無料取引アプリ
- 8千を超えるシグナルをコピー
- 金融ニュースで金融マーケットを探索
新しい記事「取引におけるニューラルネットワーク：クロスドメイン時系列予測フレームワーク「TimeFound」」はパブリッシュされました:
かつては、ARIMAや指数平滑法といった古典的な統計モデルが広く用いられていました。 考えてみれば、線形回帰でさえ役立つことが少なくありませんでした。 モデルはより単純であるべきだという主張も、深層ニューラルネットワークが登場するまでは説得力がありました。 今日では、深層ニューラルネットワークは単に成果を上げるだけではありません。テラバイト規模の過去データを処理する際の精度と速度で人々を驚かせ、大きな収穫をもたらしています。
しかし、どんな強力な武器にも弱点があるように、深層モデルにも欠点があります。 モデルを学習させるには、特定のタスクに対応するラベル付きデータが山ほど必要です。 これがなければ、ニューラルネットワークという「ビッグブラザー」は機能しません。 では、過去データが限られている場合や、市場での取引が始まったばかりの場合はどうすればよいのでしょうか。 ブローカーの取引ターミナルに十分な過去データがまだ蓄積されていない新規発行トークンの価格を、どのように予測すればよいのでしょうか。 そこで登場するのがゼロショット予測という概念です。これは、従来の手法では対応できない状況でもモデルが予測をおこなえるようにするアプローチです。
時系列研究者たちは、大規模言語モデル（LLM）との類似点に着目してきました。 よく知られているLLMは、テキストをうまく扱います。翻訳し、詩を書き、質問に答えます そのアイデアを価格トレンドの予測にも応用できないでしょうか。 こうして、時系列向けのいわゆる基盤モデルのブームが始まりました。 想像してみてください。株価、電力消費量、失業率のいずれを予測する場合でも利用できる、単一の汎用モデルです。 重要なのは、多様なデータセットを用いて適切に学習させることです。
この基盤モデルのアイデアに触発され、論文「TimeFound: A Foundation Model for Time Series Forecasting」の著者らは、時系列予測の基盤としてTransformerアーキテクチャを採用した新しいフレームワーク、TimeFoundを提案しました。 彼らはNLPの分野から優れたアイデアを取り入れ、時系列予測に応用しました。
作者: Dmitriy Gizlyk