Обсуждение статьи "Нейросети в трейдинге: Агент с многоуровневой памятью"
Здравствуйте, интересная статья. К сожалению не могу скомпилировать файл Research.mq5 - ругается на строчку if(!CreateDescriptions(actor, critic, critic)) - неверное количество параметров. Не могу сдвинуться дальше(
djgagarin #:
Здравствуйте, интересная статья. К сожалению не могу скомпилировать файл Research.mq5 - ругается на строчку if(!CreateDescriptions(actor, critic, critic)) - неверное количество параметров. Не могу сдвинуться дальше(
Здравствуйте, интересная статья. К сожалению не могу скомпилировать файл Research.mq5 - ругается на строчку if(!CreateDescriptions(actor, critic, critic)) - неверное количество параметров. Не могу сдвинуться дальше(
Добрый день, Из какого каталога загружен файл Research? Здесь действительно много параметров. В данной работе используется только одна модель.
Всячески пробовал, но не вышел на ваши результаты.
Вы уж простите, можно дать правильную инструкцию, что и за чем запускать и какие файлы в каком порядке.
Спасибо.
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 Нейросети в трейдинге: Агент с многоуровневой памятью:
Подходы многоуровневой памяти, имитирующие когнитивные процессы человека, позволяют обрабатывать сложные финансовые данные и адаптироваться к новым сигналам, что способствует повышению эффективности инвестиционных решений в условиях динамичных рынков.
Растущий объем финансовых данных требует от трейдеров не только их быстрой обработки, но и глубокого анализа для принятия точных и своевременных решений. Однако ограничения человеческой памяти, внимания и способности обрабатывать большие объемы информации могут приводить к упущению критически важных событий или к ошибочным выводам. Это приводит к необходимости создания автономных торговых агентов, способных эффективно интегрировать разрозненные данные, делать это быстро и с высокой точностью. Одно из таких решений было предложено в работе "FinMem: A Performance-Enhanced LLM Trading Agent with Layered Memory and Character Design".
Предложенный фреймворк FinMem — это инновационный агент на основе больших языковых моделей (LLM), который предлагает уникальную многоуровневую систему памяти. Этот подход позволяет эффективно работать с данными разной природы и временной важности. Модуль памяти FinMem делится на рабочую память, предназначенную для обработки краткосрочных данных, и стратифицированную долговременную память, в которой информация классифицируется по её значимости и актуальности. Например, ежедневные новости и краткосрочные рыночные колебания анализируются на поверхностном уровне, тогда как отчёты и исследования с долгосрочным воздействием направляются в глубокие слои памяти. Такая структура позволяет агенту приоритизировать информацию, концентрируясь на наиболее релевантных данных.
Модуль профилирования FinMem позволяет адаптировать агента под профессиональный контекст и рыночные условия. Учитывая индивидуальные предпочтения и риск-профиль пользователя, агент настраивает свою стратегию для обеспечения максимальной эффективности. Модуль принятия решений интегрирует текущие рыночные данные и сохранённые воспоминания, генерируя продуманные стратегии. Это позволяет учитывать как краткосрочные тренды, так и долгосрочные закономерности. Такой когнитивно-инспирированный подход делает FinMem способным запоминать и использовать ключевые рыночные события, повышая точность и адаптивность принимаемых решений.
Автор: Dmitriy Gizlyk