Обсуждение статьи "Нейросети в трейдинге: Агент с многоуровневой памятью (Окончание)"

[MetaQuotes]

Опубликована статья Нейросети в трейдинге: Агент с многоуровневой памятью (Окончание):

Продолжаем начатую работу по созданию фреймворка FinMem, который использует подходы многоуровневой памяти, имитирующие когнитивные процессы человека. Это позволяет модели не только эффективно обрабатывать сложные финансовые данные, но и адаптироваться к новым сигналам, значительно повышая точность и результативность инвестиционных решений в условиях динамично изменяющихся рынков.

Последние две статьи были посвящены фреймворку FinMem. В них мы реализовали свое видение подходов, предложенных авторами данного фреймворка, средствами MQL5. И теперь подошли к самому волнительному этапу — проверке эффективности реализованных решений на реальных исторических данных.

Следует подчеркнуть, что в процессе реализации мы внесли значительные модификации в алгоритмы фреймворка FinMem. Следовательно, оцениваем только реализованное решение, а не оригинальный фреймворк.

Обучение модели проводилось на исторических данных валютной пары EURUSD за 2023 год с использованием таймфрейма H1. Настройки индикаторов, анализируемых моделью, были оставлены на уровне значений по умолчанию.

Для начального этапа обучения использовалась выборка данных, сформированная в рамках предыдущих исследований. Реализованный алгоритм обучения с формированием "почти идеальных" целевых действий Агнета позволяет обучать модель без обновления обучающей выборки. Однако с целью охвата более широкого спектра состояний счета я бы рекомендовал по возможности добавить регулярное обновление обучающей выборки.

После нескольких циклов обучения нам удалось получить модель, демонстрирующую устойчивую прибыльность как на обучающих, так и на тестовых данных. Финальное тестирование проводилось на исторических данных за январь 2024 года с сохранением всех прочих параметров. Результаты тестирования представлены ниже.

Автор: Dmitriy Gizlyk