記事「取引におけるニューラルネットワーク:Adaptive Graph Diffusionモデル(最終回)」についてのディスカッション 新しいコメント MetaQuotes 2026.11.21 18:46 新しい記事「取引におけるニューラルネットワーク:Adaptive Graph Diffusionモデル(最終回)」はパブリッシュされました: MQL5を用いたSAGDFNフレームワークの構築に関する取り組みを締めくくり、開発プロセスを総括するとともに、実践的なテストの結果を報告します。 これまでに実装したモジュールを1つのシステムに統合し、このアプローチの長所を強調するとともに、その弱点を指摘し、改善策について検討してみましょう。 モデルの学習は、綿密に計画された遠征のようなものです。実際の市場という大海原へと船出する前に、私たちは過去のデータという穏やかな港で徹底的に練習を重ねました。 この最初のオフライン段階では、EURUSD通貨ペアの1時間足の2024年通年のデータを使用しました。この年は、相場の状況が大きく対照をなす期間でした。 ここでは、横ばい相場に見られる、鏡のように穏やかで滑らかな水面から、急激なトレンド変動による荒れ狂う嵐、さらにはニュースに端を発する予期せぬボラティリティの突風に至るまで、あらゆる状況に遭遇しました。 このように多種多様な市場シナリオを通じて、モデルは確かな航行能力を身につけ、一般的な価格変動パターンもまれなパターンも認識し、厳しい状況下でも針路を見失わずに対応できるようになりました。 この準備が完了すると、訓練用ドックを離れ、実際の市場の潮流の中で船の性能を試す時が来ました。 第2段階のオンラインファインチューニングは、実環境に即した条件を再現するMetaTrader 5のストラテジーテスターで実施しました。 ここでは、データがローソク足1本ずつ順次到着し、モデルはストリーミングデータを分析するだけでなく、ノイズの渦の中や、流動性の低さという絶えず姿を変える浅瀬の上、そして予期せぬニュースの嵐の中でも安定性を保つことを学びました。 この段階は、精密な微調整の役割を果たしました。すでに確立されていた枠組みを乱すことなく、実環境に合わせてそれを磨き上げる助けとなり、適応性を高め、過学習のリスクを低減しました。 最終テストは、まさに厳しい試練となりました。 2025年1月のデータ、すなわち過去の実験では一切使用していない、まったく新しいデータを用い、それまでに得られたパラメータをすべて、一切変更せずに読み込みました。 これが重要なポイントでした。微調整も追加の調整も一切おこなわず、モデルの汎化能力をありのままに反映した純粋なテストだったのです。 テストの結果を以下に示します。 作者: Dmitriy Gizlyk 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:Adaptive Graph Diffusionモデル(最終回)」はパブリッシュされました:
モデルの学習は、綿密に計画された遠征のようなものです。実際の市場という大海原へと船出する前に、私たちは過去のデータという穏やかな港で徹底的に練習を重ねました。 この最初のオフライン段階では、EURUSD通貨ペアの1時間足の2024年通年のデータを使用しました。この年は、相場の状況が大きく対照をなす期間でした。 ここでは、横ばい相場に見られる、鏡のように穏やかで滑らかな水面から、急激なトレンド変動による荒れ狂う嵐、さらにはニュースに端を発する予期せぬボラティリティの突風に至るまで、あらゆる状況に遭遇しました。 このように多種多様な市場シナリオを通じて、モデルは確かな航行能力を身につけ、一般的な価格変動パターンもまれなパターンも認識し、厳しい状況下でも針路を見失わずに対応できるようになりました。
この準備が完了すると、訓練用ドックを離れ、実際の市場の潮流の中で船の性能を試す時が来ました。 第2段階のオンラインファインチューニングは、実環境に即した条件を再現するMetaTrader 5のストラテジーテスターで実施しました。 ここでは、データがローソク足1本ずつ順次到着し、モデルはストリーミングデータを分析するだけでなく、ノイズの渦の中や、流動性の低さという絶えず姿を変える浅瀬の上、そして予期せぬニュースの嵐の中でも安定性を保つことを学びました。 この段階は、精密な微調整の役割を果たしました。すでに確立されていた枠組みを乱すことなく、実環境に合わせてそれを磨き上げる助けとなり、適応性を高め、過学習のリスクを低減しました。
最終テストは、まさに厳しい試練となりました。 2025年1月のデータ、すなわち過去の実験では一切使用していない、まったく新しいデータを用い、それまでに得られたパラメータをすべて、一切変更せずに読み込みました。 これが重要なポイントでした。微調整も追加の調整も一切おこなわず、モデルの汎化能力をありのままに反映した純粋なテストだったのです。
テストの結果を以下に示します。
作者: Dmitriy Gizlyk