Обсуждение статьи "Нейросетевой торговый советник на базе PatchTST"

Новый комментарий
 

Опубликована статья Нейросетевой торговый советник на базе PatchTST:

Статья представляет революционную архитектуру PatchTST — специально адаптированный трансформер для анализа финансовых временных рядов, который разбивает рыночные данные на патчи из 16 баров для эффективной обработки. Подробно рассматривается полная реализация торгового робота в MQL5 — от математических основ и структур данных до готового Expert Advisor с системами управления рисками и непрерывного обучения.

Революция началась в 2017 году с публикации статьи "Attention Is All You Need". Трансформеры радикально изменили обработку последовательностей в NLP, но их применение к финансовым временным рядам встретило серьезные препятствия.

Основная проблема — вычислительная сложность. Механизм attention требует вычисления корреляций между каждой парой элементов последовательности. Для последовательности длиной N это дает O(N²) операций. Когда N = 1000 баров (что минимально для серьезного анализа), количество операций достигает миллиона. Каждая операция включает матричное умножение высокой размерности, что делает вычисления чрезвычайно ресурсозатратными.

Более того, традиционные трансформеры были спроектированы для дискретных токенов — слов в тексте. Финансовые данные представляют собой непрерывные временные ряды со сложной внутренней структурой. Простое применение трансформеров к ценовым данным игнорирует эту специфику. Токенизация по отдельным барам теряет важную информацию о локальных паттернах внутри коротких временных окон.

Попытки адаптировать vanilla трансформеры для финансов сталкивались с проблемой переобучения. Модель легко запоминала специфические последовательности из тренировочных данных, но не могла обобщить знания на новые рыночные ситуации. Особенно это проявлялось в периоды высокой волатильности или структурных изменений рынка.

Здесь и появляется PatchTST — архитектура, которая переворачивает представление о том, как нейросети должны анализировать финансовые временные ряды. Это не просто очередной трансформер, а специально адаптированная система, которая понимает природу рыночных данных и работает с ними как настоящий профессиональный трейдер.

Автор: Yevgeniy Koshtenko

 

Твоя реализация в MQL5 — это инженерский подвиг, особенно учитывая ограничения среды. Но если цель — скорость и масштабируемость, Python с ML-фреймворками даст тебе:

  • Быстрее обучение

  • Более точные модели

  • Легче тестировать и визуализировать

Новый комментарий