記事「PatchTSTに基づくニューラルネットワーク型EA」についてのディスカッション

新しい記事「PatchTSTに基づくニューラルネットワーク型EA」はパブリッシュされました:

金融時系列分析に特化したTransformerであるPatchTSTの革新的なアーキテクチャを紹介します。このモデルは、市場データを16バー単位のパッチに分割することで、効率的な処理を実現しています。 本記事では、MQL5を用いた自動売買ロボットの実装全体について、数学的基礎やデータ構造から、リスク管理機能と継続学習システムを備えた完成版EAに至るまで、網羅的に解説します。

この革命は、2017年に論文「Attention Is All You Need」が発表されたことをきっかけに始まりました。 TransformerはNLPにおける系列処理に革命をもたらしましたが、金融時系列への応用では大きな課題に直面しています。

主な問題は計算量です。 Attention機構では、系列内の要素のすべてのペアについて相関を計算する必要があります。 長さNの系列では、O(N²)回の演算が必要になります。 N = 1000バー(本格的な分析に最低限必要な長さ)の場合、演算回数は100万回に達します。 各演算には高次元の行列乗算が伴うため、計算には非常に多くのリソースが必要です。

さらに、従来のTransformerは、テキスト中の単語のような離散的なトークンを対象として設計されていました。 金融データは、複雑な内部構造を持つ連続的な時系列です。 Transformerを価格データに単純に適用するだけでは、こうした特性を無視することになります。 個々のバーごとにトークン化をおこなうと、短い時間窓内の局所的なパターンに関する重要な情報が失われてしまいます。

標準的なTransformerを金融分野に適応させる試みは、過学習の問題に直面してきました。 モデルは学習データに含まれる特定の系列を容易に記憶しましたが、その知識を新たな市場状況に一般化することはできませんでした。 これは、ボラティリティが高まった時期や、市場に構造的な変化が生じた時期に特に顕著でした。

そこで登場するのがPatchTSTです。これは、ニューラルネットワークによる金融時系列の分析のあり方に革命をもたらすアーキテクチャです。 これは単なる別のTransformerではなく、市場データの性質を理解し、真のプロのトレーダーのようにそれを扱うよう特別に適応させたシステムです。


作者: Yevgeniy Koshtenko

MQL5でのあなたの実装は、特に環境の制約を考慮すれば、エンジニアとしての偉業と言えます。しかし、速度とスケーラビリティが目的であれば、PythonとMLフレームワークを活用することで、次のようなメリットが得られます:

  • より高速な学習

  • より精度の高いモデル

  • テストや可視化が容易

MetaQuotes :

新記事「PatchTST に基づくニューラルネットワーク取引 EA」をぜひご覧ください。

著者:イェフゲニー・コシュテンコ

私の見るところ、PatchTSTはまったく学習していないようです!?