Обсуждение статьи "Нейросети в трейдинге: Оптимизация LSTM для целей прогнозирования многомерных временных рядов (DA-CG-LSTM)"

Новый комментарий
 

Опубликована статья Нейросети в трейдинге: Оптимизация LSTM для целей прогнозирования многомерных временных рядов (DA-CG-LSTM):

Статья знакомит с алгоритмом DA-CG-LSTM, который предлагает новые подходы к анализу временных рядов и их прогнозированию. Из нее вы узнаете, как инновационные механизмы внимания и гибкость модели позволяют улучшить точность прогнозов.

Финансовые рынки — это не просто цифры на экранах. Это динамичная среда, в которой каждый тик, каждая свеча, каждое изменение объёма торгов являются отражением человеческих эмоций, ожиданий, страхов и надежд. Понять этот ритм, научиться прогнозировать, куда пойдёт цена, — задача, над которой бьются трейдеры.

В центре внимания — многомерные временные ряды. Классическая форма представления рыночных данных: цена актива во времени, объём торгов, индикаторы, новости. Это всё данные, которые можно анализировать, моделировать и использовать для прогнозирования.

Ещё недавно рынок опирался на проверенные временем классические методы ARIMA, SARIMA и прочие. Эти модели удобны, понятны и не требовали колоссальных вычислительных ресурсов. Они неплохо справлялись с задачами сезонности и линейных зависимостей, особенно в спокойных рыночных условиях. Но финансовый рынок не стационарен. Здесь всё перемешано: новости влияют на ожидания, настроения инвесторов меняются за секунды, алгоритмические сделки создают эффекты резонанса, и всё это порождает сложные, нелинейные, часто хаотические зависимости. Традиционные модели могут указать направление, но не покажут детали.

Нейросети в трейдинге: Оптимизация LSTM для целей прогнозирования многомерных временных рядов

Автор: Dmitriy Gizlyk

 
Здравствуйте. А где взять библиотеки NeuroNet.mqh, NeuroNet.cl, Trajectory.mqh?
И каковы точные параметры модели (размеры входных данных, число нейронов, оптимизатор)?
 
Владимир #:
Здравствуйте. А где взять библиотеки NeuroNet.mqh, NeuroNet.cl, Trajectory.mqh?
И каковы точные параметры модели (размеры входных данных, число нейронов, оптимизатор)?

Добрый день, Владимир.

Все библиотеки NeuroNet.* представлены во вложении "MQL5\Experts\NeuroNet_DNG\NeuroNet.*", а Trajectory.mqh в "MQL5\Experts\DACGLSTM\Trajectory.mqh".

Детальное описание обучаемых моделей будет представлено в следующей статье.

Новый комментарий