Обсуждение статьи "Возможности Мастера MQL5, которые вам нужно знать (Часть 14): Многоцелевое прогнозирование таймсерий с помощью STF"
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Опубликована статья Возможности Мастера MQL5, которые вам нужно знать (Часть 14): Многоцелевое прогнозирование таймсерий с помощью STF:
Пространственно-временное слияние (Spatial Temporal Fusion, STF), которое использует как "пространственные", так и временные метрики при моделировании данных, в первую очередь применяется в дистанционном обследовании и во многих других областях, связанных с визуализацией, для лучшего понимания нашего окружения. Основываясь на опубликованной статье, мы изучим потенциал этого подхода для трейдеров.
Статья (на английском) о пространственно-временном слиянии (Spatial Temporal Fusion, STF) пробудила мой интерес к этой теме благодаря своему двустороннему подходу к прогнозированию. Статья основана на решении задачи вероятностного прогнозирования, которая учитывает как спрос, так и предложение на платформах такси, таких как Uber и Didi. Совместные отношения спроса и предложения распространены на различных двусторонних рынках, таких как Amazon, Airbnb и eBay, где, по сути, компания не только обслуживает традиционного "клиента" или покупателя, но также обслуживает поставщиков клиента.
Таким образом, двустороннее прогнозирование может быть важным для этих компаний, если предложение частично зависит от спроса. Однако этот двойной прогноз спроса и предложения, безусловно, является отходом от традиционного метода прогнозирования конкретного значения на основе временного ряда или набора данных. В статье также представлена структура causaltrans, в которой причинно-следственные связи между спросом и предложением отражены в виде матрицы G и все прогнозы делались через сеть трансформеров (transformer network).
Опираясь на это, мы пытаемся спрогнозировать спрос и предложение на торгуемые ценные бумаги, используя медвежий и бычий настрой в качестве индикаторов этих двух показателей. Строго говоря, типичный класс Expert-Signal действительно вычисляет оба этих значения как целые числа в диапазоне от 0 до 100, как это можно видеть в файлах библиотеки MQL5 или файлах, которые мы уже написали в этой серии. Мы добавим пространственную матрицу и время при составлении наших прогнозов (два дополнительных входных параметра, взятых из статьи).
Пространственное квантование торговых ценных бумаг является субъективным, как и выбор временной метрики. Используя ряды высоких и низких цен ценных бумаг в качестве якорей спроса и предложения, мы используем значения автокорреляции между этими буферами в качестве координат для пространственной матрицы, а также индекс дня недели в качестве индикатора времени. Этот элементарный подход, который можно настраивать и улучшать, вполне служит нашим целям.
В упомянутой выше статье использовались сети траснформеров. Мы не будем их использовать, поскольку они неэффективны для наших целей, однако все прогнозы будут осуществляться с помощью специального многослойного перцептрона с написанным вручную кодом. С таким количеством библиотек и примеров кода по этой теме попытка написать собственный многослойный перцептрон будет пустой тратой времени. Однако используемый сетевой класс имеет длину менее 300 строк и достаточно масштабируем в плане настройки количества слоев и размера, чего до сих пор не хватает в большинстве доступных шаблонных библиотек.
Автор: Stephen Njuki