Обсуждение статьи "Нейросети в трейдинге: Эффективное извлечение признаков для точной классификации (Построение объектов)"

[MetaQuotes]

Опубликована статья Нейросети в трейдинге: Эффективное извлечение признаков для точной классификации (Построение объектов):

Mantis — универсальный инструмент для глубокого анализа временных рядов, гибко масштабируемый под любые финансовые сценарии. Узнайте, как сочетание патчинга, локальных свёрток и кросс-внимания позволяет получить высокоточную интерпретацию рыночных паттернов.

Настоящая ценность Mantis раскрывается, когда на вход поступает мультиканальная информация. Танцующий в такт RSI, объемы, скользящие средние и корреляции валютных пар формируют сложную картину. Прямая конкатенация этих сигналов ведёт к взрыву числа параметров, а раздельная обработка теряет перекрёстные связи. Решение Mantis — лёгкие адаптеры, которые сжимают межканальные взаимодействия, оставляя только главное: силу связи между индикаторами. Модель экономит память, а трейдер — время на настройку.

Чтобы глубже понять архитектуру Mantis, пройдёмся по её шагам. Первый этап — первичная свёртка: временной ряд с d каналами проходит через слой с 256 выходами, формируя плотное представление. Затем тензор делится на равные части и поканальный mean-pooling превращает эти данные в 32 токена, каждый из которых несёт локальную информацию.

Параллельно строится дифференциальный поток: разности первого порядка исходных данных усиливают чувствительность к краткосрочной динамике. Полученные данные проходят тот же путь патчинга.

Третий и четвертый поток — статистический — собирают среднее и стандартное отклонение исходных данных в рамках тех же 32 окон, передавая общий фон волатильности и уровня.

Эти четыре потока проходят через индивидуальные линейные проекторы для выравнивания размерности, а затем объединяются и проецируются в глобальные токены заданного размера.

Автор: Dmitriy Gizlyk