Обсуждение статьи "Нейросети в трейдинге: Контрастный Трансформер паттернов (Окончание)"

[MetaQuotes]

Опубликована статья Нейросети в трейдинге: Контрастный Трансформер паттернов (Окончание):

В последней статье нашей серии мы рассмотрели фреймворк Atom-Motif Contrastive Transformer (AMCT), который использует контрастное обучение для выявления ключевых паттернов на всех уровнях, от базовых элементов до сложных структур. В этой статье мы продолжаем реализацию подходов AMCT средствами MQL5.

Как обычно, обучение модели мы осуществляем офлайн на заранее собранной обучающей выборки из проходов за весь 2023 год. Обучение осуществляется итерационно. И после нескольких итераций обучения моделей мы осуществляем актуализацию обучающей выборки. Что позволяет нам добиться максимально точной оценки действий Агента в соответствии с актуальной политикой.

В процессе обучения нам удалось получить модель, способную генерировать прибыль как на обучающей, так и на тестовой выборке. Но есть один нюанс. Полученная нами модель совершает слишком мало сделок. И мы даже увеличили период тестирования до 3 месяцев. Результаты тестирования представлены ниже.

Как видно из представленных данных, за трех месячный интервал периода тестирования модель совершила всего 21 сделку и чуть более половины из них было закрыто с прибылью. Но давайте посмотрим на график баланса. В первые полтора месяца мы наблюдаем рост баланса, который потом сменяется боковым движением. На самом деле, это весьма ожидаемое поведение. Наша модель лишь собирает статистику с рыночных состояний обучающей выборки. И как в любой статистической модели, обучающая выборка должна быть репрезентативной. А из графика баланса можно сделать вывод, что обучающая выборка в 1 год репрезентативна на последующие 1.2 — 1.5 месяца.

Автор: Dmitriy Gizlyk