Обсуждение статьи "Нейросети в трейдинге: Безмасочный подход к прогнозированию ценового движения"
Здравствуйте Дмитрий,
Похоже, что ваши zip-файлы были сделаны неправильно. Я ожидал увидеть исходный код, перечисленный в вашей коробке, но вместо этого zip содержал вот что. Похоже, что каждый каталог содержит файлы, которые вы использовали в своих различных статьях. Не могли бы вы предоставить описание каждого или, что еще лучше, добавить номер статьи к каждому каталогу, как это необходимо.
Спасибо
CapeCoddah
Привет, Дмитрий,
Похоже, что ваши zip-файлы были сделаны неправильно. Я ожидал увидеть исходный код, перечисленный в вашей коробке, но вместо этого zip содержал вот что. Похоже, что каждый каталог содержит файлы, которые вы использовали в своих различных статьях. Не могли бы вы предоставить описание каждого или, что еще лучше, приложить номер статьи к каждому каталогу, как это необходимо.
Спасибо
CapeCoddah
Привет, CapeCoddah,
В zip-файле содержатся файлы всех серий. Программа OpenCL сохранена в файле "MQL5\Experts\NeuroNet_DNG\NeuroNet.cl". Библиотеку со всеми классами вы можете найти в файле "MQL5\Experts\NeuroNet_DNG\NeuroNet.mqh". А модель и эксперты, на которых ссылается эта статья, находятся в каталоге "MQL5\Experts\MAFT\".
С уважением,
Дмитрий.
Привет, Кейп-Кодда,
В zip-файле содержатся файлы всех серий. Программа OpenCL сохранена в файле "MQL5\Experts\NeuroNet_DNG\NeuroNet.cl". Библиотеку со всеми классами вы можете найти в файле "MQL5\Experts\NeuroNet_DNG\NeuroNet.mqh". А модель и эксперты, на которых ссылается эта статья, находятся в каталоге "MQL5\Experts\MAFT\".
С уважением,
Дмитрий.
Здравствуйте Дмитрий,
Спасибо за быстрый ответ. Я понял, что вы хотите сказать, но думаю, что вы меня неправильно поняли. Как мне связать имена подкаталогов с соответствующими статьями, либо по имени, либо по номеру статьи, по которому можно искать статью.
Будьте здоровы
CapeCoddah
Привет, Дмитрий,
Спасибо за быстрый ответ. Я понял, что вы хотите сказать, но думаю, что вы меня не поняли. Как мне связать названия подкаталогов с соответствующими статьями, либо по названию, либо по номеру статьи, по которому можно искать статью.
Будьте здоровы
CapeCoddah
По названию фреймворка.
- 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: Безмасочный подход к прогнозированию ценового движения:
В данной статье предлагаем познакомиться с методом Mask-Attention-Free Transformer (MAFT) и его применение в области трейдинга. В отличие от традиционных Transformer, требующих маскирования данных при обработке последовательностей, MAFT оптимизирует процесс внимания, устраняя необходимость в маскировании, что значительно повышает вычислительную эффективность.
Алгоритм SPFormer представляет собой полностью сквозной конвейер, который позволяет запросам объектов напрямую выводить прогнозы экземпляров. С помощью декодеров Transformer фиксированное количество запросов к объектам агрегирует информацию глобальных объектов в анализируемом облаке точек. Более того, SPFormer использует маски объектов для управления перекрестным вниманием, так что запросы должны учитывать только замаскированные функции. Однако на ранних этапах обучения используются маски низкого качества. И это препятствует достижению высоких результатов в последующих слоях, что увеличивает сложность процесса обучения модели.
Поэтому авторы метода MAFT внедряют вспомогательную задачу регрессии центра для управления сегментацией экземпляров. Сначала выбираются глобальные позиции 𝒫 из исходного облака точек и извлекаются глобальные признаки объектов ℱ с помощью базовой магистрали. Это могут быть как воксели, так и Superpoints. Помимо контентных запросов 𝒬0c, авторы MAFT вводят фиксированное количество позиционных запросов𝒬0p, которые представляют собой нормализованные центры объектов. 𝒬0p инициализируется случайным образом, а 𝒬0c — нулевыми значениями. Основная цель заключается в том, чтобы позволить позиционным запросам направлять соответствующие контекстуальные запросы в перекрестном внимании, а затем итеративно уточнить оба набора запросов и спрогнозировать центры объектов, их классы и маски.
Автор: Dmitriy Gizlyk