Dmitriy Gizlyk
Dmitriy Gizlyk
  • 정보
10+ 년도
경험
0
제품
0
데몬 버전
134
작업
0
거래 신호
0
구독자
Professional writing programs of any complexity for MT4, MT5, C#.
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Изучение локальной структуры данных
Нейросети в трейдинге: Изучение локальной структуры данных

Эффективное выявление и сохранение локальной структуры рыночных данных в условиях шума является важной задачей в трейдинге. Использование механизма Self-Attention показало хорошие результаты в обработке подобных данных, но классический метод не учитывают локальные особенности исходной структуры. В данной статье я предлагаю познакомиться с алгоритмом, способным учитывать эти структурные зависимости.

Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Обнаружение объектов с учетом сцены (HyperDet3D)
Нейросети в трейдинге: Обнаружение объектов с учетом сцены (HyperDet3D)

Предлагаем Вам познакомиться с новым подход обнаружения объектов при помощи гиперсетей. Гиперсеть генерирующих весовые коэффициенты для основной модели, что позволяет учитывать особенности текущего состояния рынка. Такой подход позволяет улучшить точность прогнозирования, адаптируя модель к различным торговым условиям.

Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Transformer для облака точек (Pointformer)
Нейросети в трейдинге: Transformer для облака точек (Pointformer)

В данной статье мы поговорим об алгоритмах использования методов внимания при решении задач обнаружения объектов в облаке точек. Обнаружение объектов в облаках точек имеет важное значение для многих реальных приложений.

Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Иерархическое обучение признаков облака точек
Нейросети в трейдинге: Иерархическое обучение признаков облака точек

Продолжаем изучение алгоритмов для извлечения признаков из облака точек. И в данной статье мы познакомимся с механизмами повышения эффективности метода PointNet.

Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Анализ облака точек (PointNet)
Нейросети в трейдинге: Анализ облака точек (PointNet)

Прямой анализ облака точек позволяет избежать излишнего увеличения объема данных и повышает эффективность моделей в задачах классификации и сегментации. Подобные подходы демонстрируют высокую производительность и устойчивость к возмущениям в исходных данных.

Kamilla Sayfutdinova
Kamilla Sayfutdinova 2024.09.02
Было бы интересно послушать ваше мнение о модели LSTM
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Иерархический векторный Transformer (Окончание)
Нейросети в трейдинге: Иерархический векторный Transformer (Окончание)

Продолжаем изучение метода Иерархического Векторного Transformer. И в данной статье мы завершим построение модели. А также проведем её обучение и тестирование на реальных исторических данных.

Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Иерархический векторный Transformer (HiVT)
Нейросети в трейдинге: Иерархический векторный Transformer (HiVT)

Предлагаем познакомиться с методом Иерархический Векторный Transformer (HiVT), который был разработан для быстрого и точного прогнозирования мультимодальных временных рядов.

Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Универсальная модель генерации траекторий (UniTraj)
Нейросети в трейдинге: Универсальная модель генерации траекторий (UniTraj)

Понимание поведения агентов важно в разных областях, но большинство методов фокусируются на одной задаче (понимание, удаление шума, прогнозирование), что снижает их эффективность в реальных сценариях. В данной статье я предлагаю познакомиться с моделью, которая способна адаптироваться к решению различных задач.

1
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Комплексный метод прогнозирования траекторий (Traj-LLM)
Нейросети в трейдинге: Комплексный метод прогнозирования траекторий (Traj-LLM)

В данной статье я хочу познакомить вас с одним интересным методом прогнозирования траекторий, разработанным для решения задач в области автономного движения транспортных средств. Авторы метода объединили в нем лучшие элементы различных архитектурных решений.

1
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Модели пространства состояний
Нейросети в трейдинге: Модели пространства состояний

В основе большого количества рассмотренных нами ранее моделей лежит архитектура Transformer. Однако они могут быть неэффективны при работе с длинными последовательностями. И в этой статье я предлагаю познакомиться с альтернативным направлением прогнозирования временных рядов на основе моделей пространства состояний.

1
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Инъекция глобальной информации в независимые каналы (InjectTST)
Нейросети в трейдинге: Инъекция глобальной информации в независимые каналы (InjectTST)

Большинство современных методов прогнозирования мультимодальных временных рядов используют подход независимых каналов. Тем самым игнорируется природная зависимость различных каналов одного временного ряда. Разумное использование 2 подходов (независимых и смешанных каналов) является ключом к повышению эффективности моделей.

1
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Практические результаты метода TEMPO
Нейросети в трейдинге: Практические результаты метода TEMPO

Продолжаем знакомство с методом TEMPO. И в данной статье мы оценим фактическую эффективность предложенных подходов на реальных исторических данных.

2
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Использование языковых моделей для прогнозирования временных рядов
Нейросети в трейдинге: Использование языковых моделей для прогнозирования временных рядов

Мы продолжаем рассмотрения моделей прогнозирования временных рядов. И в данной статье я предлагаю познакомиться с комплексным алгоритмом, построенным на использовании предварительно обученной языковой модели.

1
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: "Легкие" модели прогнозирования временных рядов
Нейросети в трейдинге: "Легкие" модели прогнозирования временных рядов

Легковесные модели прогнозирования временных рядов обеспечивают высокую производительность, используя минимальное количество параметров. Что, в свою очередь, снижает расход вычислительных ресурсов и ускоряет принятие решений. При этом они достигают качества прогнозов, сопоставимого с более сложными моделями.

1
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Снижение потребления памяти методом оптимизации Adam (Adam-mini)
Нейросети в трейдинге: Снижение потребления памяти методом оптимизации Adam (Adam-mini)

Одним из направлений повышения эффективности процесса обучения и сходимости моделей является улучшение методов оптимизации. Adam-mini представляет собой адаптивный метод оптимизации, разработанный для улучшения базового алгоритма Adam.

1
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Пространственно-временная нейронная сеть (STNN)
Нейросети в трейдинге: Пространственно-временная нейронная сеть (STNN)

В данной статье мы поговорим об использовании пространственно-временных преобразований для эффективного прогнозирования предстоящего ценового движения. Для повышения точности численного прогнозирования в STNN был предложен механизм непрерывного внимания, который позволяет модели лучше учитывать важные аспекты данных.

2
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Модель двойного внимания для прогнозирования трендов
Нейросети в трейдинге: Модель двойного внимания для прогнозирования трендов

Продолжаем разговор об использовании кусочно-линейного представления временных рядов, начатый в предыдущей статье. И сегодня мы поговорим о комбинировании данного метода с другими подходами к анализу временных рядов для повышения качества прогнозирования трендов ценовых движений.

1
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Кусочно-линейное представление временных рядов
Нейросети в трейдинге: Кусочно-линейное представление временных рядов

Эта статья несколько отличается от предыдущих работ данной серии. В ней мы поговорим об альтернативном представлении временных рядов. Кусочно-линейное представление временных рядов — это метод аппроксимации временного ряда с помощью линейных функций на небольших интервалах.

2
Dmitriy Gizlyk
게재된 기고글 Нейросети — это просто (Часть 97): Обучение модели с использованием MSFformer
Нейросети — это просто (Часть 97): Обучение модели с использованием MSFformer

При изучении различных архитектур построения моделей мы мало уделяем внимания процессу обучения моделей. В этой статье я попытаюсь восполнить этот пробел.

2
Dmitriy Gizlyk
게재된 기고글 Нейросети — это просто (Часть 96): Многоуровневое извлечение признаков (MSFformer)
Нейросети — это просто (Часть 96): Многоуровневое извлечение признаков (MSFformer)

Эффективное извлечение и объединение долгосрочных зависимостей и краткосрочных характеристик остаются важной задачей в анализе временных рядов. Правильное их понимание и интеграция необходимы для создания точных и надежных предсказательных моделей.

1