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 Реализация LLM-агента с SQL-памятью в MetaTrader 5:
LLM-агент с SQL-памятью в MetaTrader 5 — архитектура, которая устраняет главное ограничение классических LLM-советников: потерю контекста между запросами. Каждое решение агента записывается в SQLite с рыночными условиями в момент сигнала — RSI, выравнивание MA, волатильность — и после закрытия позиции база получает исход. При следующем запросе агент читает собственную историю: похожие условия RSI из прошлого и последние три решения — и только затем анализирует текущий рынок. Результат: система, которая помнит свои ошибки между перезапусками и адаптирует поведение на основе накопленной статистики, а не начинает с чистого листа при каждом новом баре.
Вы уже подключили языковую модель к MetaTrader 5 и получаете торговые сигналы в реальном времени. Система работает — но каждый новый бар она начинает с чистого листа. Она не помнит, что вчера RSI на EURUSD давал ложный сигнал в это же время суток. Она не знает, что агент трижды ошибся на медвежьем рынке и ни разу — на бычьем. Она не понимает, что последние пять её советов закончились убытком, и продолжает действовать с той же уверенностью, с которой начинала.
Это не недостаток языковой модели — это архитектурное ограничение. LLM не имеет долгосрочной памяти между запросами по определению. Каждый вызов API — это новый разговор с незнакомцем. Советник может работать неделями, накапливать статистику, совершать паттернные ошибки — и модель об этом никогда не узнает.
Цель этой статьи — устранить это ограничение. Мы добавим к архитектуре LLM+MetaTrader 5 постоянную SQL — базу знаний, которая накапливается между сессиями, передаётся в контекст каждого запроса и позволяет агенту учиться на собственных ошибках. Критерии успеха определены инженерно: агент знает свою историческую точность по инструменту и таймфрейму; каждый запрос к модели содержит релевантный контекст из прошлых решений; база автоматически обновляется по факту закрытия позиции.
Автор: Yevgeniy Koshtenko