Обсуждение статьи "Квантовая нейросеть на MQL5 (Часть II): Обучаем нейросеть с обратным распространением ошибки на марковских матрицах ALGLIB"
Опубликована статья Квантовая нейросеть на MQL5 (Часть II): Обучаем нейросеть с обратным распространением ошибки на марковских матрицах ALGLIB:
Автор: Yevgeniy Koshtenko
У меня тесты проходят и все результатов нет, т.е. я не могу протестировать как он торгует на истории или это невозможно только демо и время?
- 2025.07.25
- www.mql5.com
Евгений, сообщество будет вам искренне признательно, если вы выложите реально работающий код советника и включаемого файла. Сейчас они даже не компилируются без ошибок. Но самое важное, вы пишите, что реализованы 400 признаков, по которым обучается модель, но судя по коду, там и 10-ой части признаков нет.
А какие ошибки при компиляции? У меня все отлично компилируется, будь оно не так, я бы вообще не стал публиковать)
А какие ошибки при компиляции? У меня все отлично компилируется, будь оно не так, я бы вообще не стал публиковать)
Да с компиляцией ладно, путь к включаемому файлу поправил и все. Тут больше вопрос в работе советника и заявленным функциям. Я в сообществе MQL новичок и думал, что когда читаешь такую фразу "прогнозирует поведение рынка с точностью до 65%. Советник SimpleQuantumEA.mq5 использует 400 признаков" и видишь опубликованный код, то ожидаешь увидеть, что советник торгует по такому принципу. Но ведь это не так. Не сочтите за оскорбление. Я восхищаюсь вашими идеями и многое беру в работу. У других авторов так же все, рабочего на 100% ничего нет опубликованного. Видимо это жадность людская. Так мы устроены. Вобщем, вам благодарен и за то, что даете. К примеру, в вашем советнике я уже дописал больше 2000 строк кода. К примеру, после создания кода проверки эффективности 400 признаков, у меня осталось только 149, как эффективные. Остальное алгоритмы отсеяли, как шум, не влияющий на прогноз. У вас так же?
Просто хотелось бы от вас больше информации по шагам, которые вы прошли к результату 99% прибыльных сделок. Я даже не прошу код, а просто советы. Какие слои вы использовали, какие дополнительные нейронки? Вижу, что вы начинали советник квантум с LSTM модели. В итоге, вы оставили ее и поверх стали применять квантум, как фильтр? Или же LSTM у вас отдельный советник, а алгоритм квантум отдельный?
Дайте больше советов и информации. Ведь если вы начнете больше отдавать миру, увидите, как к вам сразу больше придет. Так устроена вселенная. Пишу здесь, потому что в личных сообщениях вы не отвечаете :) Уверяю вас, если в процессе у меня получится что то стоящее, то я несомненно поделюсь. Но, пока я только в самом начале...
Добрый день.
Хочу напомнить, что платформа MQL5 не поддерживает квантовые вычисления. Реальные квантовые нейросети используют специализированные платформы, такие как Qiskit или Cirq, и квантовое оборудование (например, IBM Quantum). Это всего лишь имитация «Внимания».
Как сборная «солянка» LSTM, Transformers, ARIMA и т.д. Настоящие квантовые вычисления на обычных серверах и ПК не запустятся.
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Опубликована статья Квантовая нейросеть на MQL5 (Часть II): Обучаем нейросеть с обратным распространением ошибки на марковских матрицах ALGLIB:
В статье представлена инновационная архитектура квантовой нейронной сети для алгоритмической торговли, объединяющая принципы квантовой механики с современными методами машинного обучения. Система включает квантовые эффекты (резонанс, интерференцию, декогеренцию), многоуровневую память различных временных масштабов, марковские цепи с библиотекой ALGLIB и адаптивное управление параметрами. Полная реализация выполнена на MQL5 с использованием встроенных типов matrix/vector, что устраняет барьеры внедрения в MetaTrader 5.
Алгоритмические трейдеры всё чаще сталкиваются с тем, что привычные модели перестают приносить результат. LSTM-сети, ранее считавшиеся прорывом, демонстрируют точность на уровне 58%. Трансформеры, несмотря на успехи в NLP, плохо справляются с шумом финансовых данных. Модели типа ARIMA утратили практическую ценность.
Типичная ситуация: торговая система отлично показывает себя на истории, но в реальной торговле быстро теряет эффективность. Основная причина — переобучение и неспособность классических сетей адаптироваться к меняющимся условиям рынка. Переход от спокойного тренда к высокой волатильности делает многие алгоритмы бесполезными. Точность прогнозов падает до 51–58%, просадки достигают 40–50%, а коэффициент Шарпа редко превышает 1.0.
Автор: Yevgeniy Koshtenko