Обсуждение статьи "Нейросети в трейдинге: Гибридные модели последовательностей графов (Окончание)"

Новый комментарий
 

Опубликована статья Нейросети в трейдинге: Гибридные модели последовательностей графов (Окончание):

Продолжаем изучение гибридных моделей последовательностей графов (GSM++), которые интегрируют преимущества различных архитектур, обеспечивая высокую точность анализа и эффективное распределение вычислительных ресурсов. Эти модели эффективно выявляют скрытые закономерности, снижая влияние рыночного шума и повышая качество прогнозирования.

Для корректности сравнения обе модели обучены на одной и той же выборке, сформированной ранее для обучения Hidformer. Напомним, что:

  • Обучающая выборка включает исторические данные валютной пары EURUSD на таймфрейме M1 за весь 2024 год.
  • Параметры всех анализируемых индикаторов остаются по умолчанию, без дополнительной оптимизации, что исключает влияние сторонних факторов.
  • Тестирование обученной модели осуществляется на исторических данных Января 2025 года, сохраняя все прочие параметры неизменными, чтобы гарантировать объективность сравнения.

Результаты тестирования представлены ниже.

За период тестирования модель совершила 15 торговых операций, что довольно мало для высокочастотной торговли на таймфрейме M1. Данный показатель даже ниже продемонстрированного базовой моделью (Hidformer). Только 7 из них было закрыто с прибылью, что составило 46.67%. И этот показатель тоже ниже базового 62.07%. Здесь мы видим снижение точности коротких позиций. Однако замечено незначительное снижение размера убыточных позиций при относительном росте аналогичного показателя прибыльных торговых операций.

Если у базовой модели отношение средних прибыльной и убыточной позиций составляло 1.6, то в новой модели данный показатель превышает отметку 4. Это позволило почти в 2 раза увеличить общую прибыль за период тестирования с аналогичным ростом показателя профит-фактор. Данный факт может свидетельствовать, что стратегия, реализованная в новой архитектуре, делает акцент на минимизацию убытков и увеличение прибыли успешных позиций. В долгосрочной перспективе потенциально это позволит обеспечить более устойчивые финансовые результаты. Однако короткий период тестирования и малое количество совершенных торговых операций не позволяет нам судить об эффективности работы модели на длительном временном интервале.

Автор: Dmitriy Gizlyk

Новый комментарий