Обсуждение статьи "Нейросети в трейдинге: Обучение метапараметров на основе гетерогенности (HimNet)"

[MetaQuotes]

Опубликована статья Нейросети в трейдинге: Обучение метапараметров на основе гетерогенности (HimNet):

Предлагаем познакомиться с фреймворком HimNet, который сочетает гибкость пространственно-временной адаптации с высокой вычислительной эффективностью, позволяя получать точные и стабильные прогнозы на финансовых временных рядах. В статье подробно показано, как его ключевые компоненты взаимодействуют между собой, превращая сложные алгоритмы в управляемую архитектуру.

Подходы на основе представлений (Representation Learning) научились извлекать информативные эмбеддинги из сырых данных. Это мощно, но часто дальше идёт упрощённая обработка эмбеддингов, и ценность хорошего представления теряется на следующем шаге. Self-Supervised обучение добавляет вспомогательные задачи, чтобы эмбеддинги стали богаче — это полезно, но не всегда позволяет оптимально обучать модель целевой задаче прогнозирования в едином цикле.

Именно поэтому авторы работы "Heterogeneity-Informed Meta-Parameter Learning for Spatiotemporal Time Series Forecasting" предложили иной подход — фреймворк HimNet. Их решение сочетает два ключевых компонента. Сначала — неявное выявление неоднородности через обучаемые пространственные и временные эмбеддинги, а затем — использование этой информации для метаобучения параметров модели. Проще говоря, создатели фреймворка не только стремятся определить различия между отдельными участками данных, но и обучают модель подбирать и генерировать уникальные параметры для каждого контекста.

Представьте, что в пуле торговой информации есть:

1. акции крупнейшего эмитента на основной бирже в рабочие часы;
2. те же акции на внебиржевых площадках после локального новостного всплеска;
3. мелкие бумаги с малой ликвидностью;
4. криптовалютные рынки с разной глубиной стаканов.

Пространственные эмбеддинги выделят эти группы в отдельные кластеры. Затем система извлекает из пула метапараметров уникальные наборы параметров для каждого кластера. Для основного рынка — агрессивные параметры с учётом низкого проскальзывания. А для внебиржевых торгов — консервативные параметры, увеличивающие запас прочности исполнения. Малые бумаги получают параметры с более широкой регуляризацией, чтобы не переобучаться на шуме. А крипта — набор, учитывающий высокий уровень шума и частые арбитражные разрывы. Все это обучается в едином цикле, так что модель учится одновременно различать контексты и подбирать для них лучшие параметры.

Автор: Dmitriy Gizlyk