Обсуждение статьи "Нейросети в трейдинге: Интеллектуальный конвейер прогнозов (Окончание)"
Спасибо, что поделились своим кодом. Я уже давно слежу за вашими статьями. Все они, судя по всему, написаны на основе самых свежих научных публикаций. Но у меня возникают проблемы с их компиляцией, так как при запуске возникает слишком много синтаксических ошибок. Многие из этих ошибок связаны с файлом «NeuroNet.cl», который, если я не ошибаюсь, является ядром вычислений OpenCL для «NeuroNet.mqh». Я уверен, что у вас все коды уже скомпилированы. Поэтому я предполагаю, что проблемы связаны с версией MQL на моей стороне, которая, возможно, отличается от вашей. Не могли бы вы рассказать об этом немного подробнее? Спасибо!
[С]делки заключаются исключительно в длинных позициях[.]
На мой взгляд, алгоритм, работающий исключительно на длинных позициях, скорее всего, лучше подходит для таких индексов, как S&P 500, которые демонстрируют более стабильный восходящий тренд.
Конечно, пара EURUSD служит лишь для демонстрации концепций и методов, описанных в статье, так что...
- 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: Интеллектуальный конвейер прогнозов (Окончание):
Эта статья увлекательно покажет, как SwiGLU‑эмбеддинг раскрывает скрытые паттерны рынка, а разреженная смесь экспертов внутри Decoder‑Only Transformer делает прогнозы точнее при разумных вычислительных затратах. Мы подробно разбираем интеграцию Time‑MoE в MQL5 и OpenCL, шаг за шагом описываем настройку и обучение модели.
Процесс обучения модели был разделён на два этапа. Такой подход позволил выстроить систему последовательно, надёжно и без спешки.
Сначала — офлайн-обучение. Мы использовали пятнадцать лет истории по паре EURUSD, таймфрейм M1. Это дало модели огромный объём разнообразных рыночных ситуаций. Энкодер учился распознавать закономерности, выделять значимые паттерны и кодировать состояние рынка в компактный и насыщенный вектор признаков. Этот вектор становится основой для всех решений, которые принимает агент. Актёр в процессе тренировки осваивает стратегию поведения, получая сигналы от Критика и Режиссёра.
Затем — онлайн-настройка. Она проводится в тестере стратегий MetaTrader 5. Здесь модель взаимодействует с историей уже в реалистичном режиме: свеча за свечой, с рыночным шумом, случайными колебаниями и нестабильностью. Это помогает адаптировать поведение агента под живую динамику и скорректировать стратегию в условиях, приближённых к реальным.
После обучения модель протестировали на новых данных — котировках за Январь 2025 года. Все настройки были зафиксированы заранее и не менялись. Это гарантирует объективность и прозрачность оценки. Результаты теста приведены ниже.
Автор: Dmitriy Gizlyk