Обсуждение статьи "Нейросети в трейдинге: Анализ рыночной ситуации с использованием Трансформера паттернов"

Новый комментарий
 

Опубликована статья Нейросети в трейдинге: Анализ рыночной ситуации с использованием Трансформера паттернов:

В анализе рыночной ситуации нашими моделями ключевым элементом является свеча. Тем не менее давно известно, что свечные паттерны могут помочь в прогнозировании будущих ценовых движений. И в этой статье мы познакомимся с методом, который позволяет интегрировать оба этих подхода.

За последнее десятилетие глубокое обучение (DL) достигло значительных успехов в различных областях, и эти достижения привлекли внимание исследователей финансовых рынков. Вдохновленные успехом DL, многие стремятся использовать его для прогнозирования рыночных трендов и анализа сложных взаимосвязей в данных. Одним из ключевых аспектов такого анализа является форма представление исходных данных, которая позволила бы сохранить внутренние связи и структуру анализируемых инструментов. Большинство существующих моделей работают с однородными графами, что ограничивает их способность учитывать богатую семантическую информацию, связанную с рыночными паттернами. Аналогично N-граммам в обработке естественного языка, часто встречающиеся рыночные паттерны могут быть использованы для более точного выявления взаимосвязей и прогнозирования трендов.

Для решения этой зачади мы решили заимствовать некоторые подходы из области анализа химических элементов. Где подобно рыночным паттернам, мотивы (значимые подграфы) часто встречаются в структуре молекул и могут быть использованы для раскрытия молекулярных свойств. Я предлагаю Вам познакомиться с фреймворком Molformer, который был представлен в работе "Molformer: Motif-based Transformer on 3D Heterogeneous Molecular Graphs".

Авторы Molformer в качестве исходных данных модели формулируют новый гетерогенный молекулярный граф (Heterogeneous Molecular Graph — HMG), который состоит из узлов как на уровне атомов, так и на уровне мотивов. Он предоставляет чистый интерфейс для объединения узлов разных уровней и предотвращает распространение ошибок, вызванных неправильной семантической сегментацией атомов. Касательно мотивов авторы метода используют разные стратегии для разных типов молекул. С одной стороны, для малых молекул лексика мотивов определяется функциональными группами, основанными на знаниях о химической области. С другой стороны, для белков, состоящих из последовательных аминокислот, вводится метод интеллектуального анализа мотивов обучения с подкреплением (RL) для обнаружения наиболее значимых аминокислотных подпоследовательностей.

Автор: Dmitriy Gizlyk

 

Доброго дня, ни как не могу добиться выставления ордеров советником test.mq5. 

if(temp[0] >= temp[3])
     {
      temp[0] -= temp[3];
      temp[3] = 0;
     }
   else
     {
      temp[3] -= temp[0];
      temp[0] = 0;
     }
//--- buy control
   if(temp[0] < min_lot || (temp[1] * MaxTP * Symb.Point()) <= 2 * stops || (temp[2] * MaxSL * Symb.Point()) <= stops)
     {
     ...
     }
   else
     {
      ...
     }
//--- sell control
   if(temp[3] < min_lot || (temp[4] * MaxTP * Symb.Point()) <= 2 * stops || (temp[5] * MaxSL * Symb.Point()) <= stops)
     {
...
     }
   else...

дело в том что элементы массива temp[0] и temp[3] всегда меньше min_lot, где может быть моя ошибка?

Новый комментарий