Обсуждение статьи "Нейросети в трейдинге: Модель адаптивной графовой диффузии (SAGDFN)"

[MetaQuotes]

Опубликована статья Нейросети в трейдинге: Модель адаптивной графовой диффузии (SAGDFN):

В статье мы раскрываем архитектуру SAGDFN — современного фреймворка, способного преобразовать подход к обработке пространственно-временных данных. Он сохраняет ключевую информацию даже в сложных графах и при этом снижает вычислительные издержки.

Традиционные модели вроде ARIMA или VAR неплохо справлялись с отдельными временными рядами, но как только речь заходит о сотнях инструментов, они начинают буксовать. Методы машинного обучения следующего поколения (опорные векторы, гауссовские процессы) расширили горизонты анализа, но их архитектура редко учитывала богатую ткань перекрестных связей. Даже современные рекуррентные нейронные сети (RNN) и трансформеры, продемонстрировавшие впечатляющие результаты в обработке последовательностей, в многомерном контексте оказались ограничены: им не хватало изящества для работы с динамическими сетями корреляций.

На этом фоне появились графовые нейронные сети (GNN), которые изначально были созданы для задач с ярко выраженной структурой графа: транспортные сети, социальные взаимодействия, цепочки поставок. Но в финансовом мире построить такой граф — задача сродни искусству. Две компании из одной отрасли могут вести себя диаметрально противоположно, а два далеких рынка (например, США и Япония) синхронно реагировать на одни и те же макроэкономические стимулы.

Ответом стали адаптивные графовые нейронные сети (adaptive-weight-GNN), которые строят граф прямо из данных, а не из предположений. Они обучают матрицу связей между активами, выявляя не формальные, а реальные корреляции. Классический пример: золото и японская иена, которые часто ведут себя как защитные активы. В обычное время их связь может быть неочевидной, но в периоды глобальных потрясений модель уловит синхронность их движения и скорректирует прогноз.

Автор: Dmitriy Gizlyk