Обсуждение статьи "Нейросети в трейдинге: Адаптивное масштабирование представлений (Основные компоненты)"

[MetaQuotes]

Опубликована статья Нейросети в трейдинге: Адаптивное масштабирование представлений (Основные компоненты):

Статья продолжает адаптацию фреймворка ADS под задачи трейдинга. Рассматривается отказ от PSRG и интеграцию его функций в PCRG, где адаптация выполняется в пространстве запросов. Применен порядок вычислений, аналогичный STCA, для линейного масштабирования по длине истории. Представлены OpenCL‑кернелы ConcatVecMatrix/Grad и класс CNeuronPCGR, что упрощает архитектуру и уменьшает вычислительную нагрузку при анализе длинных временных рядов.

В предыдущей статье мы познакомили читателя с фреймворком ADS, который был представлен в работе "Adaptive Domain Scaling for Personalized Sequential Modeling in Recommenders". И предложили перевести его подходы в прикладную реализацию для алгоритмической торговли. Сегодня мы концентрируемся на одном конкретном инженерном вызове. На финансовых временных рядах у нас есть одна длинная рыночная последовательность и множество интерпретаций (стратегии, уровни риска, стадии позиции). Если для каждого сценария пересчитывать ключи/значения по всей истории, вычисления и память взрываются, особенно в условиях MetaTrader 5 + OpenCL, где важны пропускная способность и предсказуемость обратного прохода. Технически это выражается в двух узких местах: стоимость пересчёта K/V по сценариям и сложность аккумулирования градиентов на GPU.

Цель этой работы — сохранить сценарную адаптивность ADS, но перенести её туда, где это дешевле и совместимо с обучением end‑to‑end: в генерацию запросов и в параметризацию проекций, не дублируя представление истории. Для масштабирования по длине окна и числу сценариев мы используем подход, аналогичный STCA (переупорядочивание матричных операций), и реализуем эффективную конкатенацию цель–сценарий на GPU без предварительного копирования. Практическая задача статьи — показать, как перестроить ADS‑идею под ограничения MT5/OpenCL, обеспечив корректный прямой и обратный проход и приемлемые по памяти/latency характеристики.

Автор: Dmitriy Gizlyk