Обсуждение статьи "Нейросети в трейдинге: Двусторонняя адаптивная временная корреляция (BAT)"

Новый комментарий
 

Опубликована статья Нейросети в трейдинге: Двусторонняя адаптивная временная корреляция (BAT):

В статье представлен фреймворк BAT, обеспечивающий точное и адаптивное моделирование временной динамики. Используя двустороннюю временную корреляцию, BAT превращает последовательные изменения рыночных данных в структурированные, информативные представления. Модель сочетает высокую вычислительную эффективность с возможностью глубокой интеграции в торговые системы, позволяя выявлять как краткосрочные, так и долгосрочные паттерны движения.

Если рассматривать котировки как события (короткие, резкие, локальные изменения), то рынок предстает перед нами в виде последовательности импульсов. Эти импульсы образуют почти такой же разреженный, но богатый по смыслу поток, аналогичный событиям в сенсоре камеры. И здесь появляется первый сильный аргумент в пользу BAT — он умеет строить плотную картину движения из почти бессистемных, рваных сигналов. То, что трейдер видит как хаос, алгоритм превращает в непрерывное поле направлений. Он не пытается подменить рынок искусственной гладкостью, он принимает его таким, каков он есть, и извлекает из него структуру, которую человек часто недооценивает. Рынок становится похож на объект, освещённый короткими вспышками, — глаз видит лишь мгновения, а модель восстанавливает траекторию.

Однако главная сила BAT заключается не только в умении заполнять пробелы. Его двусторонняя природа, в которой движение оценивается одновременно вперёд и назад во времени, удивительно созвучна тому, как опытный трейдер изучает контекст. Задолго до принятия решения он смотрит на историю, оценивает характер прошедших импульсов, отмечает, какие уровни были значимы, где участники проявляли активность. Затем он смотрит вперёд — не на то, что уже произошло, а на то, что может произойти при текущем расположении сил. BAT действует точно так же: он строит корреляции с будущими и прошлыми сегментами потока событий. Это позволяет ему фиксировать не только факт изменения, но и его направление, устойчивость и согласованность с поведением в более широком временном горизонте.

В финансовых данных эта двунаправленность играет ключевую роль. Многие алгоритмы, работающие исключительно с историей, натыкаются на непримиримую проблему — реактивность всегда проигрывает проактивности. С другой стороны, модели, ориентированные только на прогноз, теряют связь с реальным рыночным почерком. BAT обходится без этих перекосов. Он одновременно оценивает прошлое и будущее, создавая не просто прогноз, а согласованную картину микронаправлений рынка. Там, где обычные модели спорят между собой, BAT уточняет движение, ведь он опирается на богатый набор признаков, сформированных из плотной временной корреляции.

Автор: Dmitriy Gizlyk

 
Добрые день всем. Дмитрий, модуль из коробки не соответствует тому, чтобы повторить результаты, описанные в вашей статье. Как минимум признаки не нормализированы и дают высокую ошибку STFS. С логикой размеров лотов, тейков и стопов тоже непонятки. Модель просто учится не торговать, и тестовый модуль в результате и не торгует вообще. Может по ошибке в архиве совсем другая версия BAT?
Новый комментарий