Обсуждение статьи "Нейросети в трейдинге: Мультимодальный агент, дополненный инструментами (Окончание)"

[MetaQuotes]

Опубликована статья Нейросети в трейдинге: Мультимодальный агент, дополненный инструментами (Окончание):

Продолжаем работу по реализации алгоритмов мультимодального агента для финансовой торговли FinAgent, предназначенного для анализа мультимодальных данных рыночной динамики и исторических торговых паттернов.

В последних  двух статьях мы подробно рассмотрели фреймворк FinAgent. При этом было реализовано собственное видение подходов, предложенных его авторами. Мы адаптировали алгоритмы фреймворка в соответствии с нашими требованиями. И теперь подошли к решающему этапу — проверке эффективности реализованных решений на реальных исторических данных.

Следует особо отметить, что в процессе разработки мы внесли значительные изменения в алгоритмы, лежащие в основе фреймворка FinAgent. Эти модификации касаются ключевых аспектов работы модели. Поэтому, в данном случае, мы оцениваем не оригинальное решение, а нашу адаптированную версию.

Обучение модели проводилось с использованием исторических данных валютной пары EURUSD за 2023 год на таймфрейме H1. Все настройки индикаторов, используемых моделью, были оставлены на уровне значений по умолчанию, что позволило сосредоточиться на оценке самого алгоритма и его способности работать с исходными данными без дополнительных настроек.

Для начального этапа обучения была использована выборка данных, подготовленная в рамках предыдущих исследований. Мы применили алгоритм обучения с формированием "почти идеальных" целевых действий Агнета, который позволил нам обучать модель без необходимости постоянного обновления обучающей выборки. Однако, несмотря на успешную работу алгоритма в таком формате, мы считаем, что для повышения точности и охвата более широкого спектра состояний счета, регулярное обновление обучающей выборки было бы полезным дополнением.

Автор: Dmitriy Gizlyk