Обсуждение статьи "Нейросети в трейдинге: Фреймворк кросс-доменного прогнозирования временных рядов (TimeFound)"
Здравствуйте, Дмитрий Гизлык, надеюсь, у вас всё очень хорошо.
В каком файле вы реализовали класс CNeuronTimeFoundPatching?
Я не понимаю, возможно, он уже есть в одной из папок архива zip, или это что-то, что ещё не было загружено как часть файлов этой статьи.
Этот подход очень интересен, надеюсь увидеть следующие части в ближайшее время (на испанском, моём родном языке). Обнимаю.
Не могли бы вы (если это возможно) подробнее указать, какие библиотеки дополняют код, так как при попытке скомпилировать любой файл не хватает многих зависимостей
(присутствуют только файлы «EXPERTS», но, возможно, отсутствуют другие файлы, например из «include»).
Здравствуйте, Дмитрий Гизлык, надеюсь, у вас все хорошо.
В каком файле вы реализовали класс CNeuronTimeFoundPatching?
Я не понимаю, возможно, он уже находится в одной из папок в zip-файле, или это что-то, что еще не было загружено как часть файлов в этой статье.
Очень интересный подход, надеюсь скоро увидеть следующие части (на испанском, моем родном языке). Обнимаю.
Добрый день, Мигель.
Класс CNeuronTimeFoundPatching представлен в библиотеке NeuroNet.mqh.
Не могли бы вы (если это возможно) подробнее указать, какие библиотеки дополняют код, так как при попытке скомпилировать любой файл не хватает многих зависимостей
(присутствуют только файлы «EXPERTS», но, возможно, отсутствуют другие файлы, например из «include»).
- dng
- forge.mql5.io
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Опубликована статья Нейросети в трейдинге: Фреймворк кросс-доменного прогнозирования временных рядов (TimeFound):
В этой статье мы шаг за шагом собираем ядро интеллектуальной модели TimeFound, адаптированной под реальные задачи прогнозирования временных рядов. Если вас интересует практическая реализация нейросетевых патчинг-алгоритмов в MQL5 — вы точно по адресу.
Раньше в ходу были классические статистические модели: ARIMA, экспоненциальное сглаживание. Да что там, даже линейная регрессия частенько приносила свои плоды. Аргументы, почему модель должна быть проще, звучали убедительно, пока на арену не вышли глубокие нейросети. Сегодня они не просто приносят плоды, а собирают урожай, поражая точностью и скоростью обработки терабайтов исторических данных.
Однако, как и любое мощное оружие, глубокие модели имеют свои побочные эффекты. Для обучения им нужен целый рудник размеченных данных по конкретной задаче. Без этого большой брат нейросеть работать не будет. А что делать, если в распоряжении только узкий фрагмент истории, или рынок только начал торговаться? Как прогнозировать цены на недавно выпущенный токен, данные по которому ещё счётчик в брокерском терминале не успел набрать? Тут и приходит на помощь концепция Zero‑Shot Forecasting — гарантия того, что модель проявит себя там, где классические подходы просто бессильны.
Исследователи временных рядов провели аналогии с большими языковыми моделями (Large Language Models). Знаменитые LLM успешно работают с текстом: переводят, пишут стихи, отвечают на вопросы. А почему бы не перенести их идеи на прогнозирование ценовых трендов? Так родился бум, так называемых, Foundation Models для временных рядов. Представьте: одна универсальная модель — и ей без разницы, прогнозирует ли она цену акций, объём потребления электроэнергии или уровень безработицы. Главное — грамотно обучить её на разнообразном датасете.
Вдохновлённые подобной фундаментальностью, авторы работы "TimeFound: A Foundation Model for Time Series Forecasting" представили в качестве основы для прогнозирования временных рядов новый фреймворк на базе архитектуры Transformer — TimeFound. Они взяли лучшие идеи из мира NLP и адаптировали их для прогнозирования временных рядов.
Автор: Dmitriy Gizlyk