Нейросети в трейдинге: Гибридные модели прогнозирования с управляемой смесью распределений (Lattice)

Введение

Финансовые рынки всегда были пространством, где случайность соседствует с закономерностью. Их прогнозирование превращается в искусство сочетания интуиции, опыта и точных моделей. Сложность рыночной динамики обусловлена многослойностью факторов: от макроэкономических индикаторов и политических решений до поведения отдельных участников, реакций на новости и психологических трендов толпы. Даже небольшие изменения в настроениях инвесторов способны вызвать цепную реакцию, приводящую к волатильным движениям цен, что делает задачу прогнозирования одновременно захватывающей и крайне непростой. Классические линейные модели, хорошо зарекомендовавшие себя в прошлом, сегодня всё чаще оказываются недостаточными: они игнорируют скрытые нелинейные зависимости, неспособны адаптироваться к внезапным шокам и слишком упрощают реальность, сводя её к средним значениям и историческим корреляциям.

На протяжении последних десятилетий нейросетевые подходы стали мощным инструментом для анализа финансовых временных рядов. Их сила заключается в способности выявлять сложные паттерны, учитывать нелинейные взаимодействия между факторами и постепенно подстраиваться под меняющиеся условия рынка. Однако и здесь существуют ограничения. Простые рекуррентные модели и трансформеры могут выдавать высокую точность на тренировочных данных, но подвержены переобучению и чрезмерно чувствительны к шуму. Более глубокие и сложные модели не всегда решают проблему. Увеличение числа параметров ведёт к росту вычислительных затрат, повышает риск нестабильности и порой даёт лишь иллюзию прогресса.

Эти ограничения на практике проявляются очень наглядно. Например, при высокочастотной торговле даже небольшие задержки в прогнозе или ложные сигналы могут привести к значительным финансовым потерям. Рынок, как и раньше, сохраняет непредсказуемые всплески. Падение акций в октябре 1987 года, кризис 2008 года или резкие колебания криптовалют за последние годы показывают, что даже самые точные модели должны учитывать непредсказуемость событий и корректировать свои оценки вероятностей. С точки зрения риск-менеджмента, важнее не столько идеальная точность прогнозов, сколько способность модели корректно оценивать свою уверенность и адаптироваться к изменяющимся условиям.

В этом контексте гибридные модели прогнозирования представляют собой эволюционный шаг. Они объединяют несколько подходов: нейросети для обнаружения сложных паттернов, статистические методы для контроля дисперсии прогнозов и механизмы управления уверенностью, позволяющие системе адаптивно включать или исключать дополнительные компоненты анализа. Такой подход обеспечивает возможность получать прогнозы с количественными оценками доверия, что особенно важно для алгоритмических стратегий. Вместо того чтобы каждый раз тянуть за собой все вычислительные ресурсы, модель активно решает, когда сложные компоненты нужны, а когда можно ограничиться базовым прогнозом.

Смешанные распределения и работа с неопределённостью становятся ключевым элементом таких моделей. Рыночные данные редко соответствуют простым гауссовским закономерностям: редкие события, внезапные всплески волатильности и асимметричные распределения создают хвосты риска, которые классические модели игнорируют. Гибридные подходы позволяют сочетать несколько распределений в рамках единой модели, управляя их влиянием на прогноз в зависимости от текущего рыночного контекста. Это обеспечивает более реалистичную оценку вероятностей и снижает риски крупных просадок, что крайне важно для профессиональных трейдеров и управляющих фондами.

Практическая значимость таких моделей проявляется в возможности более точного управления капиталом и рисками. Возможность интеграции уровня уверенности в прогнозы позволяет трейдерам и алгоритмическим системам принимать решения не только исходя из сигналов цены, но и с учётом вероятности их исполнения. В высокочастотной торговле это даёт конкурентное преимущество. Система может игнорировать маловероятные сигналы, фокусируясь на тех сценариях, где прогноз наиболее надёжен. В стратегиях средней и долгой перспективы возможность количественно оценивать риск позволяет оптимально распределять активы между инструментами с различной волатильностью и корреляцией.

Не менее важным аспектом является исторический контекст. Изучение прошлых кризисов и всплесков волатильности показывает, что рынки редко следуют стабильным паттернам. Поведение участников меняется, появляются новые инструменты анализа, а старые — теряют влияние. Гибридные модели способны учитывать эти изменения, объединяя классические временные зависимости с адаптивной структурой прогнозов, которая реагирует на изменения рыночной среды. Таким образом, они формируют мост между традиционным финансовым анализом и современными нейросетевыми подходами, создавая инструменты, способные работать в условиях высокой неопределённости.

Один из вариантов построения гибридной модели был предложен авторами работы "Lattice: A Confidence-Gated Hybrid System for Uncertainty-Aware Sequential Prediction with Behavioral Archetypes". Идея простая и вместе с тем мощная. Нейросетевая структура адаптивно оценивает свои прогнозы и включает дополнительные блоки только тогда, когда уверена в результате. В отличие от традиционных архитектур, где все компоненты работают постоянно, Lattice использует механизм confidence-gating и так называемые архетиповые блоки поведения.

Каждый архетиповый блок отражает определённый сценарий развития событий на основе исторических закономерностей. В финансовом контексте это можно представить как набор стратегических паттернов: трендовые движения, периоды флэта, всплески высокой волатильности и другие характерные динамики. Система проверяет, насколько текущее состояние данных соответствует каждому из архетипов, и активирует только наиболее релевантные блоки при уверенности выше заданного порога. Если же модель выходит за пределы зоны уверенности, дополнительные блоки не подключаются, и формируется лишь базовый прогноз. Такой подход снижает шум и сохраняет ресурсы, одновременно повышая устойчивость прогнозов в изменчивой рыночной среде.

Применение этих идей в трейдинге открывает новые возможности. Комбинируя классические временные ряды и индикаторы с нейросетевыми блоками, оснащёнными механизмом оценки уверенности, можно формировать прогнозы с количественной мерой доверия. Это позволяет не только прогнозировать направление и амплитуду движения цены, но и оценивать вероятность успеха каждой торговой позиции. Для управления рисками и построения устойчивых стратегий такая информация оказывается критически важной, превращая гибридную модель из чёрного ящика в практичный инструмент анализа рынка.

Алгоритм построения модели

Архитектура фреймворка Lattice устроена так, будто на рынке работает целая команда опытных аналитиков. Каждый из них следит за своим фрагментом динамики, фиксирует характерные паттерны и передаёт результаты руководству, которое формирует общую картину. В основе системы лежит базовый блок прогнозирования, который можно представить как первый взгляд на рынок. Он получает на вход стандартные временные ряды и преобразует их в скрытые представления, векторы, которые отражают недавнюю динамику и позволяют системе видеть сложные последовательности движений. Эти скрытые представления становятся ядром всей модели. На их основе строятся последующие прогнозы и оценивается соответствие текущей ситуации историческим паттернам.

В авторской работе базовый блок реализован с помощью LSTM-модели, специально созданной для работы с последовательностями и временными рядами. Для рынка это означает, что система способна анализировать последовательности изменений, выявлять скрытые тенденции и закономерности, которые трудно заметить простым взглядом или классическими индикаторами. Каждый шаг LSTM преобразует текущие значения вместе с прошлым состоянием модели в вектор, который одновременно служит внутренней памятью событий и основой для построения прогнозов. Этот механизм позволяет модели чувствовать рынок, удерживать информацию о недавних колебаниях и использовать её для прогнозирования следующего шага.

Авторы фреймворка Lattice настраивают LSTM как однослойный блок с размерностью эмбеддинга 32 и скрытого состояния 64. Такая конфигурация эффективно улавливает временные зависимости, оставаясь при этом вычислительно лёгкой — что особенно важно при работе с длинными историческими рядами или высокочастотными данными. Модель обучается в несколько эпох с разумной скоростью обучения, что обеспечивает баланс между качеством скрытых представлений и вычислительной эффективностью. В результате LSTM становится полноценным инструментом для формирования внутреннего поведенческого встраивания, которое служит основой для последующей работы архетиповых блоков.

Для трейдера это означает, что все последующие решения системы строятся на динамическом, контекстном понимании рынка. Базовый LSTM-блок создаёт фундамент, позволяя системе фиксировать недавние движения, выявлять характерные паттерны и определять, какие сценарии архетипов наиболее релевантны текущей ситуации. Это особенно важно для управления рисками и построения устойчивых стратегий. Трейдер получает количественно осмысленное поведенческое представление рынка, на основе которого можно принимать взвешенные решения о входе и выходе из позиций, корректировать объём сделок и оценивать вероятность успеха каждой торговой позиции.

Следующий уровень — это архетиповые блоки поведения, которые отвечают за распознавание и оценку характерных сценариев рынка. Если базовый LSTM-блок фиксирует динамику и формирует скрытое представление текущего состояния, то архетиповые блоки решают другой вопрос: какие исторические паттерны наиболее соответствуют текущей ситуации? Каждый блок моделирует отдельный сценарий: трендовые движения, флэтовые периоды, всплески волатильности и другие типичные паттерны, которые система выучила на этапе обучения.

Технически процесс устроен следующим образом. Сначала из каждой последовательности рынка извлекается поведенческий эмбеддинг — вектор скрытого состояния LSTM в конце последовательности. Эти векторы затем объединяются с помощью кластеризации K‑means, формируя набор эталонных центроидов — архетипов. Каждый центроид представляет собой типичное поведение для определённого сценария рынка. В дальнейшем каждый новый фрагмент данных сравнивается с эталонными архетипами, чтобы определить, насколько текущая динамика соответствует известным паттернам.

Для оценки соответствия используется два подхода. На этапе прогнозирования Lattice применяет Soft Assignment. Каждому архетипу присваивается вероятность соответствия текущему состоянию рынка. Это позволяет системе учитывать сразу несколько потенциально релевантных сценариев и формировать взвешенный прогноз. Для вычисления уверенности используется Hard Assignment, когда в качестве ориентира берётся ближайший архетип. Такой подход обеспечивает баланс между гибкостью прогнозирования и строгим контролем над неопределённостью.

Когда архетип выбран и активирован, блок формирует прогноз на основе типичных моделей поведения. Для дискретных последовательностей это могут быть матрицы вероятностей переходов, отражающие, как рынок обычно меняется от одного состояния к другому в рамках архетипа. Для непрерывных временных рядов блок вычисляет средние ожидаемые значения для следующего шага на основе исторических данных архетипа. Итоговый прогноз каждого архетипа затем комбинируется с вероятностями Soft Assignment, формируя взвешенный результат, который учитывает вклад всех релевантных сценариев.

Для трейдера это означает, что система оценивает рынок через призму исторических паттернов. Взвешивает вероятность каждого сценария и формирует прогноз, который можно интерпретировать как реальную динамику рынка с учётом разных контекстов и типов поведения. Такой подход позволяет реагировать на тренды, флэтовые периоды и всплески волатильности осмысленно, минимизируя ложные сигналы и повышая надёжность торговых решений.

Ключевым элементом фреймворка Lattice является механизм Confidence-Gating, который можно представить как внутренний компас системы, позволяющий ей оценивать собственную уверенность перед подключением дополнительных аналитических ресурсов. Идея проста, но крайне эффективна. Модель не выдаёт на рынок всё подряд, а решает, стоит ли использовать сложные архетиповые представления или ограничиться базовым LSTM-прогнозом.

Технически механизм строится на сравнении поведенческого эмбединга текущей последовательности с эталонными архетипами. Сначала вычисляется расстояние до каждого центроида архетипа. Затем берётся минимальное расстояние — это ближайший архетип, с которым текущая динамика рынка наиболее согласована. Чтобы понять, насколько это близко в контексте всех данных обучения, расстояние нормализуется через процентильное ранжирование. Проще говоря, модель смотрит, насколько текущая ситуация похожа на 90% того, что видела в процессе обучения. Если текущая точка ближе, чем большая часть обучающих примеров, уверенность высокая, если далеко — низкая.

Дальше включается бинарная активация. Если уверенность ниже заранее заданного порога, архетиповые блоки полностью отключаются. В противном случае они включаются и добавляют свои прогнозы к общему результату. Это принципиально отличается от мягкого взвешивания, где сигналы с низкой уверенностью могли бы засорять прогноз даже при высокой неопределённости. Binary Gating гарантирует, что только надёжные, проверенные сценарии влияют на решение. А в моменты высокой неопределённости система скромно полагается на базовый прогноз.

Для трейдера это особенно ценно. На рынке часто случаются ситуации, которые не похожи на привычные паттерны: неожиданные новости, всплески волатильности или редкие аномалии. В таких случаях обычная гибридная модель могла бы подключить архетипы не по месту, создавая ложные сигналы. Lattice же сохраняет эпистемическую скромность. Если текущие данные выходят за рамки того, что модель видела раньше, то она не пытается угадывать, а лишь опирается на проверенную базовую оценку.

Именно этот подход делает Lattice уникальной по сравнению с классическими смесью экспертов (Mixture-Of-Experts). Вместо мягкого распределения сигналов между всеми экспертами, система использует Confidence-Based Binary Gating с элегантным откатом к базовому прогнозу при низкой уверенности. Это значит, что прогнозы системы можно воспринимать как более честные и осмысленные. Каждый сигнал архетипа сопровождается внутренней мерой доверия, а шум и ложные активации минимизированы.

Архитектура предусматривает и адаптивную политику работы на разных фазах рынка. При коротких последовательностях или ограниченном объёме данных система постепенно включает архетипы, по мере накопления информации. Если же данные стабильны и соответствуют историческим паттернам, модель максимально использует все блоки. При высоком шуме или сильной неопределённости Lattice сокращает активные блоки и остаётся на базовом прогнозе, избегая чрезмерной уверенности и потенциальных ошибок.

С точки зрения реализации, архитектура Lattice хорошо адаптируется к стандартным инструментам анализа финансовых временных рядов. Базовый блок может быть реализован через LSTM или трансформер. Скрытые состояния удобно представлять как векторы фиксированной размерности, а архетипы — как центроиды в этом скрытом пространстве. Механизм Confidence-Gating сводится к вычислению расстояния текущего скрытого состояния до центроидов архетипов и оценке вероятности принадлежности к кластерам. Итоговый прогноз формируется через взвешенное объединение, а обучение происходит на исторических данных с оптимизацией как точности базового блока, так и качества соответствия архетипов.

Важно подчеркнуть, что авторы фреймворка Lattice в своей работе дают только базовый каркас архитектуры, оставляя значительную свободу при выборе компонентов как для базовой прогнозной модели, так и для блоков архетипов. Это открывает перед нами широкие возможности. Мы можем опираться на уже проверенные рекуррентные модели, которые разрабатывались и тестировались в наших предыдущих исследованиях, включая ResFlow и EVA-Flow, подробно рассмотренные в последних статьях. Эти модели обеспечивают надёжную основу для базового прогноза, формируя скрытые представления и динамические эмбеддинги, на которых будут строиться последующие оценки.

При этом особое внимание стоит уделить реализации архетиповых блоков. Эти блоки не должны быть тяжёлыми и перегруженными. Их задача — генерировать точные прогнозы на отдельных сегментах рынка, а не обеспечивать идеальное обобщение по всем историческим данным. Архетипы включаются выборочно. Только там, где текущая динамика соответствует их профилю. Поэтому высокая универсальность им не нужна. Напротив, эффективность в конкретных режимах — будь то трендовые движения, флэтовые периоды или всплески волатильности — важнее всего.

Здесь мы можем обратить внимание на ещё одну интересную работу, близкую по духу к задачам, стоящим перед нами, — "Tail-Aware Density Forecasting of Locally Explosive Time Series: A Neural Network Approach". Авторы данной работы решают важную практическую проблему, с которой сталкиваются практически все аналитики финансовых временных рядов. Это локально взрывоопасные события, экстремальные хвосты распределений и периоды аномальной динамики, которые особенно сложны для прогнозирования обычными моделями.

Авторы работы предлагают архитектуру, построенную с учётом тяжёлых хвостов и мультимодальных распределений, где применяются компоненты, способные адекватно моделировать центральную часть распределения и экстремальные события, неизбежные на реальных рынках. В отличие от классических подходов, которые ориентированы на средние значения или гауссовскую обычную часть временного ряда, в этой работе делается акцент на Tail‑Aware (чувствительном к хвостам) прогнозировании плотности. Это особенно важно при моделировании пузырей, внезапных обвалов и резких импульсов — тех самых ситуаций, которые большинство моделей либо пропускают, либо оценивают с низкой достоверностью.

Связь с архитектурой Lattice очевидна. Пока Lattice обеспечивает контекстную активацию архетипов и оценку уверенности через Confidence-Gating, подход Tail-Aware Density Forecasting может выступать как отдельный архетип, специализированный на выявлении точек входа и выхода при ожидании взрывных событий и резких изменений тенденций движения рынка. Такой архетип не требуется включать постоянно — он активируется только в те моменты, когда LSTM-блок фиксирует нестандартную динамику и Confidence-Gating оценивает достаточную релевантность текущей ситуации.

Функционально этот архетип работает с вероятностным прогнозированием будущих значений, уделяя особое внимание хвостам распределений, где концентрируются редкие, но критические события: быстрые ценовые прорывы, всплески волатильности или развороты тренда. Благодаря этому трейдер получает локально точечный сигнал, который можно интерпретировать как потенциальную точку входа или выхода, с количественной оценкой вероятности успеха сделки.

Таким образом, интеграция Tail-Aware архетипа в Lattice расширяет возможности системы. Базовый блок формирует динамическое представление рынка, а специализированные Tail-Aware блоки добавляют инструмент для реакции на экстремальные события, повышая практическую ценность прогнозов для риск-менеджмента и оперативного трейдинга.

Реализация средствами MQL5

После детального рассмотрения теоретических аспектов указанных выше фреймворков мы переходим к их практической реализации средствами MQL5. При этом сохраняется общий принцип разделения нагрузки. Наиболее ресурсоёмкие блоки выносим на сторону OpenCL-контекста для выполнения на GPU. Это позволяет системе работать эффективно даже с длинными историческими рядами и высокочастотными данными, сохраняя быструю реакцию на новые рыночные события.

Такой подход даёт двойной эффект. С одной стороны, MQL5 обеспечивает удобную интеграцию с торговой платформой и работу с ордерами и индикаторами, с другой — GPU-ускорение позволяет нейросетевым блокам моделировать сложные паттерны и выполнять архетиповую оценку без задержек. Для трейдера это означает, что система способна в реальном времени формировать качественные прогнозы и сигналы входа/выхода, включая моменты высокой волатильности, экстремальные движения и развороты тренда, сохраняя при этом высокую надёжность и точность.

Для начала мы реализуем смесь экспертов, которая будет генерировать прогнозы для наших архетипов. Идея проста. Каждый эксперт создаёт параметры распределения будущих значений, а наша задача — на их основе сгенерировать дискретные прогнозные точки. На финансовых рынках таких точек может быть очень много, поэтому для эффективной генерации используется OpenCL-кернел, который позволяет обрабатывать данные параллельно и без задержек.

__kernel void MixExpertsPredict(__global const float4* __attribute__((aligned(16))) experts,
                                __global float* outputs
                               )
  {
   const size_t id = get_global_id(0);
//---
   float4 expert = experts[id];
   float mu = IsNaNOrInf(expert.s0, 0.0f);
   float alpha = fActivation(expert.s1, ActFunc_SoftPlus);
   float sigma = fActivation(expert.s2, ActFunc_SoftPlus);
   float txi = fActivation(expert.s3, ActFunc_TANH);
   float out = mu + alpha * sigma * txi;
//---
   outputs[id] = IsNaNOrInf(out, 0.0f);
  }

Алгоритм кернела устроен следующим образом. На вход подаётся массив параметров распределений от экспертов: среднее значение (µ), масштаб (ɑ), стандартное отклонение (σ) и трансформация (ξ), которые описывают поведение конкретного архетипа. Каждый поток кернела обрабатывает отдельное значение эксперта: извлекает параметры, применяет необходимые активации и формирует окончательный прогноз.

Здесь µ задаёт центральную тенденцию, ɑ масштабирует влияние стандартного отклонения, σ определяет разброс, а ξ задает направление корректировки, учитывая локальные паттерны. Применение SoftPlus к ɑ и σ гарантирует их положительные значения, а гиперболического тангенса к ξ помогает избежать взрыва значений.

Важный момент — кернел одновременно проверяет корректность вычислений и исключает NaN или бесконечные значения, чтобы система оставалась стабильной даже на шумных рыночных данных.

В результате мы получаем параллельную генерацию прогнозов для всех экспертов архетипов, где каждый поток формирует свою точку на временной линии. Это позволяет трейдеру видеть полный спектр возможных значений, отражающий неопределённость рынка и характерные паттерны каждого архетипа.

Проще говоря, кернел MixExpertsPredict превращает параметры распределений в конкретные точки прогноза, делая это одновременно для десятков или сотен архетипов.

Однако стоит признать, что на начальном этапе прогнозы, генерируемые смесью экспертов, будут далеки от реальных значений рынка. Архетипы ещё не выучили локальные паттерны и экстремальные движения. Поэтому нам необходимо обучить механизм генерации параметров распределения для каждого эксперта. Чтобы это сделать, нужно передать градиент ошибки прогнозов обратно к параметрам распределений, которые формирует смесь экспертов.

Для этого создаётся отдельный OpenCL-кернел MixExpertsPredictGrad, задача которого — рассчитать градиенты для каждого эксперта и подготовить их к обновлению весов модели.

__kernel void MixExpertsPredictGrad(__global const float4* __attribute__((aligned(16))) experts,
                                    __global float4* __attribute__((aligned(16))) experts_gr,
                                    __global const float* outputs_gr
                                   )
  {
   const size_t id = get_global_id(0);
//---
   float4 expert = experts[id];
   float grad = IsNaNOrInf(outputs_gr[id], 0.0f);
   float4 expert_gr = (float4)0.0f;
//---
   float alpha = fActivation(expert.s1, ActFunc_SoftPlus);
   float sigma = fActivation(expert.s2, ActFunc_SoftPlus);
   float txi = fActivation(expert.s3, ActFunc_TANH);
//---
   float mu_grad = grad;
   float alpha_grad = Deactivation(grad * sigma * txi, alpha, ActFunc_SoftPlus);
   float sigma_grad = Deactivation(grad * alpha * txi, sigma, ActFunc_SoftPlus);
   float txi_grad = Deactivation(grad * sigma * alpha, txi, ActFunc_TANH);
//---
   experts_gr[id] = (float4)(mu_grad, alpha_grad, sigma_grad, txi_grad);
  }

На вход подаются указатели на массивы исходных параметров, градиентов выходных прогнозов и массив для хранения градиентов экспертов. Каждый поток кернела обрабатывает отдельный набор параметров распределения. Он извлекает параметры из буферов исходных данных, применяет обратное распространение через функции активации и формирует вектор градиентов.

Результатом работы кернела является массив градиентов для каждого эксперта, который затем используется для обновления параметров распределений через оптимизатор. Для трейдера это значит, что модель учится на своих ошибках почти мгновенно, корректируя прогнозы архетипов там, где они не совпадают с реальными рыночными движениями. Каждый эксперт постепенно подстраивается под характерные локальные сценарии, обеспечивая точные и надёжные прогнозы точек входа и выхода.

Иными словами, этот кернел превращает ошибку прогноза в конкретные корректировки параметров распределений, делая процесс обучения смеси экспертов эффективным и полностью совместимым с параллельной генерацией прогнозов на GPU.

Заключение

Мы познакомились с фреймворком Lattice, который открывает широкие перспективы для гибридного прогнозирования финансовых рынков. Авторы фреймворка закладывают основу для адаптивного понимания локальных сценариев, позволяя различать трендовые движения, флэтовые периоды и всплески волатильности. Базовые рекуррентные блоки создают скрытые представления рынка, архетиповые модули помогают идентифицировать повторяющиеся паттерны, а механизмы Confidence-Gating формируют внутреннюю меру доверия, показывая, когда стоит опереться на сложные модели.

Особый интерес представляют подходы с учётом экстремальных событий, такие как Tail-Aware прогнозирование. Они дают возможность локально выявлять точки входа и выхода, формируя прогнозы там, где стандартные модели теряют точность. Это создаёт основу для управления рисками и принятия решений, подкреплённых количественной оценкой уверенности прогноза.

Практическая реализация средствами MQL5 с использованием OpenCL для наиболее ресурсоёмких блоков демонстрирует, что даже сложные нейросетевые вычисления могут выполняться быстро и параллельно, позволяя системе обрабатывать длинные исторические ряды и высокочастотные данные в реальном времени.

Текущая работа закладывает гибкую основу для построения систем прогнозирования, работу над которой мы продолжим в следующей статье.

Ссылки

• Lattice: A Confidence-Gated Hybrid System for Uncertainty-Aware Sequential Prediction with Behavioral Archetypes
• Tail-Aware Density Forecasting of Locally Explosive Time Series: A Neural Network Approach
• Другие статьи серии

Программы, используемые в статье

#	Имя	Тип	Описание
1	Study.mq5	Советник	Советник офлайн обучения моделей
2	StudyOnline.mq5	Советник	Советник онлайн обучения моделей
3	Test.mq5	Советник	Советник для тестирования модели
4	Trajectory.mqh	Библиотека класса	Структура описания состояния системы и архитектуры моделей
5	NeuroNet.mqh	Библиотека класса	Библиотека классов для создания нейронной сети
6	NeuroNet.cl	Библиотека	Библиотека кода OpenCL-программы