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

[MetaQuotes]

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

В статье описана практическая реализация фреймворка HimNet на базе MQL5, который готов к интеграции в автоматическую торговлю. Мы показываем, как метапараметры, адаптированные под гетерогенность, превращают модель в универсальный инструмент, способный справляться с изменчивой волатильностью.

Обучение организовано в два взаимодополняющих этапа, что одновременно даёт надёжный фундамент и гибкость для работы в реальных рыночных условиях. На первом, офлайн-этапе, мы провели основательное обучение на исторических данных по паре EURUSD с таймфреймом H1 за весь 2024 год. Этот период включал полный спектр рыночных режимов — спокойные флэты, устойчивые тренды, резкие скачки волатильности и периоды усиленного шума, поэтому он стал отличной школой для модели.

Второй этап — тонкая онлайн-настройка. Модель обрабатывала поток свечей последовательно в тестере стратегий MetaTrader 5, максимально приближенном к реальному трейдингу. Этот этап выявляет совершенно другие свойства, нежели офлайн-обучение: способность выдерживать шум, адекватно реагировать на изменения ликвидности, учитывать задержки и эффект проскальзывания. Мы тщательно имитировали реальные условия исполнения, чтобы поведение модели оставалось предсказуемым при переносе в реальные рыночные условия.

Финальный и наиболее строгий этап проверки проводился на полностью внешней выборке — котировках с Января по Март 2025 года. Все параметры модели при этом оставались замороженными. Такая проверка демонстрирует объективную картину практической эффективности: способность алгоритма сохранять устойчивость и предсказуемость в новых условиях.

Результаты тестирования приведены ниже.

Автор: Dmitriy Gizlyk