Discussão do artigo "Redes neurais em trading: Agente com memória em camadas"

Novo comentário
 

Novo artigo Redes neurais em trading: Agente com memória em camadas foi publicado:

As abordagens de memória em camadas, que imitam os processos cognitivos humanos, permitem processar dados financeiros complexos e se adaptar a novos sinais, o que contribui para decisões de investimento mais eficazes em mercados dinâmicos.

O volume crescente de dados financeiros exige dos traders não apenas processamento rápido, mas também análise profunda para decisões precisas e oportunas. No entanto, as limitações da memória humana, da atenção e da capacidade de lidar com grandes quantidades de informação podem levar à perda de eventos críticos ou a conclusões equivocadas. Isso torna necessária a criação de agentes de trading autônomos, capazes de integrar dados dispersos com eficiência, rapidez e alta precisão. Uma dessas soluções foi proposta no trabalho "FinMem: A Performance-Enhanced LLM Trading Agent with Layered Memory and Character Design".

O framework FinMem proposto é um agente inovador baseado em grandes modelos de linguagem (LLM), que oferece um sistema de memória em camadas único. Essa abordagem permite trabalhar de forma eficaz com dados de diferentes naturezas e relevância temporal. O módulo de memória FinMem é dividido em memória de trabalho, voltada para o processamento de dados de curto prazo, e memória de longo prazo estratificada, onde as informações são classificadas de acordo com sua importância e atualidade. Por exemplo, notícias diárias e oscilações de mercado de curto prazo são analisadas em um nível superficial, enquanto relatórios e pesquisas com impacto duradouro são direcionados às camadas mais profundas da memória. Essa estrutura permite ao agente priorizar informações, concentrando-se nos dados mais relevantes.


O módulo de perfilamento FinMem permite adaptar o agente ao contexto profissional e às condições de mercado. Levando em conta as preferências individuais e o perfil de risco do usuário, o agente ajusta sua estratégia para garantir a máxima eficiência. O módulo de tomada de decisão integra dados atuais do mercado e memórias armazenadas, gerando estratégias bem elaboradas. Isso permite considerar tanto tendências de curto prazo quanto padrões de longo prazo. Essa abordagem inspirada na cognição torna FinMem capaz de memorizar e utilizar eventos-chave do mercado, aumentando a precisão e a adaptabilidade das decisões tomadas.


Autor: Dmitriy Gizlyk

 
Olá, artigo interessante. Infelizmente não consigo compilar o arquivo Research.mq5 - a linha if((!CreateDescriptions(actor, critic, critic))) - Número incorreto de parâmetros. Não consigo prosseguir(
 
djgagarin #:
Olá, artigo interessante. Infelizmente não consigo compilar o arquivo Research.mq5 - a linha if((!CreateDescriptions(actor, critic, critic))) - Número incorreto de parâmetros. Não consigo prosseguir(

Boa tarde, de qual catálogo o arquivo Research é carregado? De fato, há muitos parâmetros. Apenas um modelo é usado neste trabalho.

 
Dmitriy Gizlyk #:

Boa tarde, De qual catálogo o arquivo de pesquisa foi baixado? De fato, há muitos parâmetros aqui. Neste documento, apenas um modelo é usado.

Dei uma olhada nos catálogos e já estou confuso sobre onde o obtive((
Você poderia me indicar qual catálogo usar para este trabalho?

 
djgagarin #:

Em catálogos preguiçosamente e já confuso onde eu peguei((
Por favor, me indique qual catálogo usar para este artigo?

Todos os arquivos relacionados a este artigo estão localizados na pasta FinMem.

 

Tentei todo tipo de coisa, mas não obtive seus resultados.

Desculpe-me, mas você pode dar instruções adequadas sobre o que executar e quais arquivos, em que ordem.

Obrigado.

Novo comentário