Обсуждение статьи "Нейросети в трейдинге: Фреймворк кросс-доменного прогнозирования временных рядов (Окончание)"

[MetaQuotes]

Опубликована статья Нейросети в трейдинге: Фреймворк кросс-доменного прогнозирования временных рядов (Окончание):

Статья посвящена практическому построению модели TimeFound для прогнозирования временных рядов. Рассматриваются ключевые этапы реализации основных подходов фреймворка средствами MQL5.

Первым шагом стало обучение Энкодера на пяти годах исторических данных по паре EURUSD с минутным таймфреймом. Такой объём и детализация позволяют формировать действительно глубокое и содержательное латентное представление текущего состояния рынка. Энкодер учится различать важные паттерны, выделять закономерности и кодировать рыночную ситуацию в компактный, но информативный вектор, который впоследствии используется всеми остальными модулями.

Следом идёт второй этап — офлайн обучение основных действующих лиц нашей архитектуры: Актёра, Режиссёра и Критика. Для этого была собрана выборка из рыночных данных за 2024 год с сохранением всех параметров, применённых при обучении Энкодера. В процессе обучения использовалась концепция почти идеальной траектории: действия Агента подбирались не произвольно, а на основе анализа последующего ценового движения. Иными словами, имея в распоряжении всю ценовую траекторию, мы заранее знали, какие действия привели бы к наилучшим результатам, и использовали именно их для обучения. Такой подход позволяет показать модели, как нужно торговать, а не заставлять её вслепую искать эффективную стратегию методом проб и ошибок, блуждая в окружающей среде без карты. Благодаря этому, Агент учится на заранее проверенных примерах — чётких, обоснованных и максимально приближенных к идеальным с точки зрения результата. Это не просто упрощает процесс обучения, а делает его целенаправленным и экономически осмысленным.

Завершающий этап — тонкая онлайн настройка, проводимая уже непосредственно в тестере стратегий. Здесь модели сталкиваются с историческими данными в режиме, максимально приближенном к реальной торговле, и адаптируют свои параметры к живой рыночной динамике. Это особенно важно, так как позволяет уточнить поведение Агента с учётом изменяющихся условий, рыночного шума и случайных колебаний, которых не видно в обучающей выборке.

После завершения всей цепочки обучения, модель была протестирована на новых данных — котировках за Январь 2025 года. Все параметры и настройки, использованные при обучении, были сохранены без изменений, что обеспечивает полную объективность и честность в оценке. Результаты тестирования представлены ниже.

Автор: Dmitriy Gizlyk