記事「取引におけるニューラルネットワーク:異質性を考慮したメタパラメータ学習(Key構成要素)」についてのディスカッション

新しい記事「取引におけるニューラルネットワーク:異質性を考慮したメタパラメータ学習(Key構成要素)」はパブリッシュされました:

HimNetフレームワークの主要な構成要素を実装するために使用されているアルゴリズムについて詳しく解説します。 学習可能な構成要素を最小限に抑えながら、システム全体で高い一貫性と制御性を実現する方法を示します。 ここで示す実装はコンパクトで透明性が高く、実際の市場での課題にも適応させやすくなっています。

第1回の記事の実践編では、このアイデアが実際のエンジニアリング環境でも機能することが確認されました。 チェビシェフ多項式の構築と誤差逆伝播に伴う計算負荷の高い処理をGPUに移すため、ChebStepおよびChebStepGradカーネルをOpenCLで実装しました。

メインプログラム側では、カーネルをラップし、推論と勾配計算のための統一されたインターフェースを提供するCChebPolinomオブジェクトを実装しました。 その結果、高速な学習と信頼性の高い推論を両立させたハイブリッドなパイプラインが実現しました。

今回は引き続き、MQL5を用いて、HimNetフレームワークの著者らが提案した手法の実装を進めていきます。


作者: Dmitriy Gizlyk