Обсуждение статьи "Нейросети в трейдинге: Адаптивное масштабирование представлений (ADS)"
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Опубликована статья Нейросети в трейдинге: Адаптивное масштабирование представлений (ADS):
Статья знакомит читателя с фреймворком ADS, который предлагает методы адаптивного анализа рыночных данных с учетом цели и текущего состояния рынка. Рассмотрена реализация модуля генерации адаптивных весов, закладывающего параллельную работу независимых экспертов для разных сценариев. Такой подход позволяет выделять ключевые признаки и управлять поведением модели, создавая основу для персонализированных и контекстно-зависимых торговых решений.
Финансовые рынки дают огромное количество данных, но не формулируют задачи. Цель всегда задается извне — трейдером или аналитиком, который решает задачу извлечения прибыли при контролируемом риске. Прогноз цены сам по себе не имеет ценности, важен результат — финансовый эффект.
На практике один и тот же фрагмент рыночной истории может требовать разных действий: следовать тренду, искать контртрендовые входы, закрываться быстро в целях скальпинга или сглаживать риск при всплесках волатильности. Классические нейросетевые пайплайны внимания с фиксированными проекциями запросов и ключей видят рынок через одну оптику, усредняют сигналы разных сценариев и теряют специфичность. Особенно это заметно при асимметрии паттернов лонг/шорт.
Прикладной вопрос для разработчика очевиден. Необходимо сделать так, чтобы внимание вместе с весами меняло и само пространство представлений. Это позволит генерировать матрицы проекции запросов и ключей в зависимости от текущего контекста и предполагаемого сценария.
Один из вариантов решения данной задачи представлен в работе "Adaptive Domain Scaling for Personalized Sequential Modeling in Recommenders". Хотя авторы разрабатывали фреймворк для рекомендательных систем, предложенные идеи переносимы на финансовые данные. Авторы фреймворка предлагают рассматривать сценарии как домены и сделать параметры преобразований функцией от контекста.
Автор: Dmitriy Gizlyk