Обсуждение статьи "Нейросети в трейдинге: Модели пространства состояний"
Выходные данные: TotalBase.dat (бинарные данные траектории).
Выходные данные: TotalBase.dat (данные бинарной траектории).
Как же нам выполнить шаг 1, ведь у нас нет ранее обученных Encoder (Enc.nnw) и Actor (Act.nnw), поэтому мы не можем запустить Research.mq5, и у нас нет файла Signals\Signal1.csv, поэтому мы не можем запустить ResearchRealORL.mq5 тоже?
Ознакомьтесь с новой статьей: Нейронные сети в трейдинге: Модели пространства состояний.
Автор: Дмитрий Гизлык
Как я понимаю, в вашем конвейере на шаге 1 нам нужно запустить Research.mq5 или ResearchRealORL.mq5 с деталями, как показано ниже :
Выходные данные: TotalBase.dat (бинарные данные траектории).
Выходные данные: TotalBase.dat (данные бинарной траектории).
Как же нам выполнить шаг 1, ведь у нас нет ранее обученных Encoder (Enc.nnw) и Actor (Act.nnw), поэтому мы не можем запустить Research.mq5, и у нас нет файла Signals\Signal1.csv, поэтому мы не можем запустить ResearchRealORL.mq5 тоже?
Здравствуйте,
В Research.mq5 вы можете найти
//--- загрузить модели float temp; //--- if(!Encoder.Load(FileName + "Enc.nnw", temp, temp, temp, dtStudied, true)) { CArrayObj *encoder = new CArrayObj(); if(!CreateEncoderDescriptions(encoder)) { delete encoder; return INIT_FAILED; } if(!Encoder.Create(encoder)) { delete encoder; return INIT_FAILED; } delete encoder; } if(!Actor.Load(FileName + "Act.nnw", temp, temp, temp, dtStudied, true)) { CArrayObj *actor = new CArrayObj(); CArrayObj *critic = new CArrayObj(); if(!CreateDescriptions(actor, critic)) { delete actor; delete critic; return INIT_FAILED; } if(!Actor.Create(actor)) { delete actor; delete critic; return INIT_FAILED; } delete actor; delete critic; } //---
Таким образом, если у вас нет предварительно обученной модели, EA будет генерировать модели со случайными параметрами. И вы можете собирать данные по случайным траекториям.
О ResearchRealORL.mq5 вы можете подробнее прочитать в статье.
- www.mql5.com
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Опубликована статья 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.
В последнее время широкое распространение получила парадигма адаптации к новым задачам больших моделей, предварительно обученных на больших массивах произвольных исходных данных из широкого спектра областей, таких как текст, изображения, аудио, временные ряды и прочее.
Хотя эта концепция не зависит от конкретного выбора архитектуры, но большинство моделей основано на одно типе архитектуры — Transformer и его основном слое Self-Attention. Эффективность Self-Attention объясняется способностью плотно направлять информацию в контекстное окно, что позволяет моделировать сложные данные. Однако это свойство имеет принципиальные недостатки — невозможность моделировать что-либо за пределами конечного окна, и квадратичное масштабирование по отношению к длине окна.
В задачах моделирования последовательностей альтернативным решением может стать использование структурированных моделей последовательностей в пространстве состояний (Space Sequence Models — SSM). Эти модели можно интерпретировать как комбинацию рекуррентных нейронных сетей (RNN) и сверточных нейронных сетей (CNN). Данный класс моделей может быть очень эффективно вычислен с линейным или почти линейным масштабированием длины последовательности. Кроме того, у него есть принципиальные механизмы моделирования дальних зависимостей в определенных модальностях данных.
Один из алгоритмов, который позволяет использовать модели пространства состояний для прогнозирования временных рядов, был предложен в статье "Mamba: Linear-Time Sequence Modeling with Selective State Spaces". В ней представлен новый класс выборочных моделей пространства состояний.
Автор: Dmitriy Gizlyk