Обсуждение статьи "Прогнозирование трендов с помощью LSTM для стратегий следования за трендом"

Новый комментарий
 

Опубликована статья Прогнозирование трендов с помощью LSTM для стратегий следования за трендом:

Долгая кратковременная память (LSTM) - это тип рекуррентной нейронной сети (RNN), предназначенной для моделирования последовательных данных путем эффективного учета долгосрочных зависимостей и решения проблемы исчезающего градиента. В настоящей статье мы рассмотрим, как использовать LSTM для прогнозирования будущих тенденций, повышая эффективность стратегий следования за трендами. В статье будет рассказано о внедрении ключевых концепций и стоящей за разработкой мотивации, извлечении данных из MetaTrader 5, использовании этих данных для обучения модели на Python, интеграции модели машинного обучения в MQL5, а также о результатах и перспективах на будущее на основании статистического бэк-тестирования.

Интуитивно понятно, что стратегии следования за трендами извлекают выгоду на трендовых рынках, но плохо работают на нестабильных рынках, где стратегия заканчивается покупкой с наценкой и продажей со скидкой. Научные исследования показали, что классические стратегии следования за трендами, такие как "золотой крест", работают на нескольких рынках и таймфреймах на протяжении длительных периодов истории. Хотя эти стратегии, возможно, и не очень прибыльны, они продемонстрировали стабильную прибыль. Стратегии следования за трендами обычно получают прибыль от экстремальных выбросов, приносящих значительно более высокую прибыль, чем средний убыток. Жесткий стоп-лосс стратегии и принцип "пусть прибыль растет" приводят к низкому коэффициенту выигрыша, но высокому соотношению прибыли и риска на сделку.

LSTM (Долгая кратковременная память) - это специальный тип рекуррентной нейронной сети (RNN), предназначенной для учета долгосрочных зависимостей при моделировании последовательных данных. В ней используются ячейки памяти, которые могут сохранять информацию в течение длительного времени, устраняя проблему с исчезающим градиентом, которая обычно возникает в традиционных RNN. Эта возможность сохранять и иметь доступ к информации, полученной ранее в последовательности, делает LSTM особенно эффективной для таких задач, как прогнозирование временных рядов и тенденций. Для решения задач регрессии LSTM может моделировать временные взаимосвязи между входными характеристиками и прогнозировать непрерывные выходные данные с высокой точностью, что делает её идеальной для прогнозирования применения.

Мотивация для настоящей статьи - это использовать возможности LSTM для регрессии тренда, прогнозирования будущих тенденций и потенциальной фильтрации неудачных сделок, которые являются результатом низкой трендовости. Эта мотивация основана на гипотезе о том, что стратегии следования за трендами лучше работают на трендовых рынках по сравнению с рынками, на которых нет тренда.


Автор: Zhuo Kai Chen

 
Не понял: а где сама модель regression2024.onnx в zip-архиве?
 
an_tar #:
Не пойму, где в zip-архиве сама модель regression2024.onnx?

Здравствуйте, an_tar.

Как указано в статье, данный тип системы должен быть проверен через бэктест на скользящем окне. Я не хотел включать всю свою обученную модель с 2008 года, чтобы не утяжелять файл.

Рекомендуется использовать фреймворк, представленный в статье, для обучения собственной модели, чтобы она была совместима с вашим личным методом валидации.

Новый комментарий